MetaGPT 开源 AFLOW：自动生成智能体工作流，成本仅为 GPT-4o 的 4.55%
机器之心报道
近年来，大型语言模型 (LLM) 的应用不断扩展，但让 LLM 落地应用并发挥作用需要手动构建并反复调试 Agentic Workflow，这无疑是个繁琐过程。为了解决这一问题，MetaGPT 开源了 AFLOW，它使用蒙特卡洛树搜索 (MCTS)进行 Agentic Workflow 的自动搜索，可以完全自动地构建与优化 Agentic Workflow 问题，让我们不再需要手写代码、调试提示词。
AFLOW：蒙特卡洛树搜索优化工作流，低成本实现GPT-4o 级能力
AFLOW 是对提示词自动优化的进一步探索，通过蒙特卡洛树搜索，完全接管了 Agentic Workflow 的生成与优化过程，表现远超其他工作流自动优化工作，甚至超越了对比的所有手工工作流基线。
什么是自动工作流优化问题？
现有的 Agentic Workflow 自动生成工作难以生成有效的工作流，它们往往需要人工介入初始设置，且无法全面捕捉到完成任务所需的工作流多样性。为了克服这些挑战，研究人员提出了 AFLOW 框架。
AFLOW 框架
AFLOW 利用蒙特卡洛树搜索 (MCTS) 技术来系统地探索和优化 LLM 的工作流。AFLOW 通过将工作流定义为代码可表示的节点和边，从而有效地捕捉 LLMs调用之间的复杂交互。通过引入操作符的概念，AFLOW 进一步简化了搜索空间，提高了搜索效率。
AFLOW 如何自动优化工作流？
AFLOW 利用蒙特卡洛树搜索 (MCTS) 来自动化地生成和优化 Agentic Workflow。在 AFLOW框架中，Operator 扮演着至关重要的角色，它们是预定义的、可重用的节点组合，代表常见的智能体操作（比如审查，投票，生成）。这些 Operator 作为构建工作流的基础构件，被集成到搜索空间中，确保探索过程可以利用已知的有效智能体操作模式。引入 Operator 能够显著提升 AFLOW 框架的搜索效率和工作流的优化效果，减少在庞大搜索空间中的盲目探索。
AFLOW 的优势
- 完全自动化： AFLOW 可以完全自动地生成和优化 Agentic Workflow，无需人工干预。
- 高效性： AFLOW 利用 MCTS 技术，能够快速找到最优的工作流配置。
- 可扩展性： AFLOW 可以轻松扩展到不同的 LLM 和任务。
- 低成本： AFLOW 的成本仅为 GPT-4o 的 4.55%，极大地降低了 LLM 应用的成本。
AFLOW 的未来
AFLOW 的出现为 LLM 的应用打开了新的可能性。未来，AFLOW 将继续发展，进一步提高其性能和效率，为更多 LLM 应用场景提供支持。
论文信息
- 论文标题： AFlow: Automating Agentic Workflow Generation
- 论文地址： https://arxiv.org/abs/2410.10762
- 项目地址：https://github.com/geekan/MetaGPT/tree/main/examples/aflow
作者团队
AFLOW 作者团队来自于 MetaGPT 开源社区，包括来自香港科技大学（广州）、DeepWisdom、中国人民大学、南京大学、复旦大学、阿卜杜拉国王科技大学、蒙特利尔大学等机构的研究人员。
总结
AFLOW 的出现为 LLM 的应用带来了新的突破，它能够自动生成和优化 Agentic Workflow，极大地降低了 LLM 应用的成本，并为更多 LLM 应用场景提供支持。相信随着 AFLOW 的不断发展，它将为 LLM 的应用带来更大的价值。
Views: 0