Les avancées récentes des grands modèles linguistiques (LLM) ont suscité un intérêt croissant pour les workflows agents, c’est-à-dire des séquences structurées d’appels au modèle destinées à résoudre des tâches complexes. Toutefois, les approches existantes reposent souvent sur des modèles statiques ou des workflows conçus manuellement, ce qui limite leur adaptabilité à des tâches diverses et entrave leur évolutivité. Nous proposons AdaptFlow, un cadre de méta-apprentissage fondé sur le langage naturel, inspiré du modèle-agnostic meta-learning (MAML). AdaptFlow apprend une initialisation de workflow généralisable, permettant une adaptation rapide au niveau des sous-tâches. Il utilise un schéma d’optimisation à deux niveaux : la boucle interne affine le workflow pour une sous-tâche spécifique à l’aide de retours générés par le LLM, tandis que la boucle externe met à jour l’initialisation partagée afin qu’elle performe bien sur l’ensemble des tâches. Cette architecture permet à AdaptFlow de généraliser efficacement à des tâches inédites en adaptant le workflow initial par des modifications guidées par le langage. Évalué sur des benchmarks de résolution de questions, de génération de code et de raisonnement mathématique, AdaptFlow surpasse de manière cohérente les approches basées sur des workflows manuels ou automatiquement recherchés, atteignant des résultats de pointe avec une forte capacité de généralisation à travers les tâches et les modèles. Le code source et les données sont disponibles à l’adresse suivante : [lien URL].