FlowScout автоматизирует создание ИИ-агентных пайплайнов с реальными вызовами инструментов
На платформе arXiv опубликована научная работа, посвященная новой системе FlowScout. Она позволяет автоматически создавать агентные рабочие процессы — структурированные последовательности действий, в которых большие языковые модели (LLM) взаимодействуют с внешними инструментами и управляющей логикой.
Как отмечают авторы, создание подобных процессов обычно требует ручной работы и экспертизы. Существующие методы автоматической генерации в основном строят LLM-центричные схемы, где выполнение инструментов имитируется самой моделью. Это ограничивает стабильность и практическую применимость результатов.
FlowScout решает эту проблему иначе. Система представляет рабочий процесс в виде ориентированного графа, включающего узлы вызова инструментов, узлы LLM и ребра зависимостей. Сначала из исторических записей о решении задач извлекается общий каркас координации инструментов, затем топология уточняется с помощью поиска по дереву Монте-Карло, опирающегося на реальную обратную связь от выполнения.
Эксперименты проводились на четырех типовых областях задач. Сравнение с базовыми подходами PM4Py, ReAct и AFlow показало, что сгенерированные FlowScout процессы улучшают корректность вызовов инструментов как минимум на 92,69%, а качество выполнения — как минимум на 17,66%. Кроме того, снижается разброс показателей при повторных запусках.
По словам исследователей, интеграция реальных выполнений инструментов в процесс генерации делает итоговые рабочие процессы более надежными и приближенными к практическим сценариям. Это может упростить создание автоматизированных систем на базе LLM в различных областях — от обработки данных до взаимодействия с внешними сервисами.
Работа размещена на arXiv с идентификатором 2608.10039. Полные детали алгоритма и результаты экспериментов доступны в препринте.
