大規模言語モデル（LLMs）は、詳細な指示と操作手順に従うエージェントワークフローを用いることで、多様な分野において複雑なタスクを処理する上で顕著な可能性を示している。しかし、こうしたワークフローを構築するには人的作業が大幅に必要であり、スケーラビリティと汎用性に制約が生じている。近年の研究では、これらのワークフローの自動生成および最適化が試みられているが、現行の手法は依然として初期の手動設定に依存しており、完全に自動的かつ効果的なワークフロー生成には至っていない。本研究では、この課題に対処するため、ワークフロー最適化をコード表現されたワークフロー上で行う探索問題として再定式化する。ここで、LLMを呼び出すノードがエッジによって接続された構造としてモデル化される。我々は、モンテカルロ木探索（Monte Carlo Tree Search）を用いてこの探索空間を効率的に探索する自動化フレームワーク「AFlow」を提案する。AFlowは、コードの修正、木構造の経験記録、実行フィードバックを繰り返し活用することで、ワークフローを段階的に改善する。6つのベンチマークデータセットにおける実証評価では、AFlowが最先端のベースラインに対して平均5.7%の性能向上を達成した。さらに、AFlowを用いることで、GPT-4oの推論コストの4.55%に相当するコストで、小さなモデルが特定のタスクにおいてGPT-4oを上回る性能を発揮することが可能となった。コードは https://github.com/FoundationAgents/AFlow にて公開されている。