AFlow : Automatisation de la génération de flux de travail agents

Les grands modèles linguistiques (LLM) ont fait preuve d’un potentiel remarquable dans la résolution de tâches complexes à travers divers domaines, généralement en adoptant des flux de travail agents suivant des instructions détaillées et des séquences opérationnelles. Toutefois, la construction de ces flux de travail nécessite un effort humain important, ce qui limite leur évolutivité et leur généralisation. Des recherches récentes ont cherché à automatiser la génération et l’optimisation de ces flux, mais les méthodes existantes reposent encore sur une configuration initiale manuelle et ne parviennent pas à atteindre une génération entièrement automatisée et efficace. Pour relever ce défi, nous reformulons l’optimisation des flux de travail comme un problème de recherche dans un espace de représentation par code, où les nœuds invoquant des LLM sont reliés par des arêtes. Nous introduisons AFlow, un cadre automatisé qui explore efficacement cet espace à l’aide d’une recherche arborescente de Monte Carlo, en affinant itérativement les flux grâce à des modifications de code, à une expérience structurée en arbre et à des retours d’exécution. Des évaluations empiriques menées sur six jeux de données standard démontrent l’efficacité d’AFlow, offrant une amélioration moyenne de 5,7 % par rapport aux meilleures méthodes actuelles. En outre, AFlow permet à des modèles plus petits de surpasser GPT-4o sur certaines tâches, tout en ne consommant que 4,55 % du coût d’inférence en dollars. Le code est disponible à l’adresse suivante : https://github.com/FoundationAgents/AFlow.