论文把被丢弃的工作流搜索轨迹变成验证多智能体设计原则的统计测试平台。
资讯摘要
论文提出两阶段流程，从工作流代码与执行轨迹中挖掘可复现的多智能体设计原则。作者复用 AFlow 的 MCTS 优化器，在六种可组合算子与 26 个经确定性验证的 Enigmata 任务上保留全部中间轮次，构建含 28,568 个可执行工作流的语料，再用沙箱化 AutoResearch 循环在 L₀ 惩罚验证目标下挖掘编排代码与提示模板，并在留出搜索上检验候选原则。
要点速读
- 作者复用 AFlow 的 MCTS 优化器，在六种可组合算子和 26 个 Enigmata 任务上保留中间轮次，构建 28,568 个可执行工作流语料。
- 沙箱化 AutoResearch 循环在 L₀ 惩罚验证目标下挖掘编排代码与提示模板，并在留出搜索上测试候选原则。
- 300 次特征挖掘试验报告：以独立求解器加一次性聚合开头的 Star-first 工作流表现更差（Δ=-0.045）；持久共享文档 SharedMemory 优于辩论（Δ=+0.135）；提示具体性与基于占位符的上下文路由带来的增益与通信结构选择相当（Δ=+0.118）。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。