AFlow: توليد أوتوماتيكي للعملية الوظيفية للوكيل

أظهرت النماذج اللغوية الكبيرة (LLMs) إمكانات ملحوظة في حل المهام المعقدة عبر مجالات متنوعة، عادةً من خلال استخدام سير عمل وكيلية (agentic workflows) تتبع تعليمات مفصلة وتسلسلات تشغيلية. ومع ذلك، يتطلب بناء هذه السير العمل جهودًا بشرية كبيرة، مما يحد من قابليتها للتوسع وعموميتها. وقد سعت الأبحاث الحديثة إلى أتمتة إنشاء وتحسين هذه السير العمل، لكن الطرق الحالية لا تزال تعتمد على إعداد يدوي أولي، ولا تحقق أتمتة كاملة وفعالة لتكوين السير العمل. ولحل هذه التحديات، نعيد صياغة تحسين السير العمل كمشكلة بحثية في فضاء السير الممثلة بالكود، حيث تُربط عقد تفعيل النموذج اللغوي (LLM-invoking nodes) بحواف. ونُقدّم AFlow، إطارًا أتمتةً فعّالًا يستكشف هذا الفضاء باستخدام خوارزمية بحث شجرة مونت كارلو (Monte Carlo Tree Search)، ويُعدّل السير العمل تدريجيًا من خلال تعديل الكود، وتجربة منظمة هرميًا، وتعليقات النتائج الناتجة عن التنفيذ. أظهرت التقييمات التجريبية على ستة مجموعات بيانات معيارية فعالية AFlow، حيث حققت تحسنًا متوسطًا بنسبة 5.7% مقارنةً بأفضل النماذج الحالية. علاوةً على ذلك، تمكّن AFlow النماذج الأصغر من تفوق نموذج GPT-4o في مهام محددة، وبتكلفة استدلال تبلغ 4.55% فقط من تكلفة GPT-4o. يُمكن الاطلاع على الكود على الرابط: https://github.com/FoundationAgents/AFlow.