論文の概要: FlowMind: Execute-Summarize for Structured Workflow Generation from LLM Reasoning
- arxiv url: http://arxiv.org/abs/2602.11782v1
- Date: Thu, 12 Feb 2026 10:04:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.760031
- Title: FlowMind: Execute-Summarize for Structured Workflow Generation from LLM Reasoning
- Title（参考訳）: FlowMind: LLM推論による構造化ワークフロー生成のためのエクストリームサマリ
- Authors: Yihao Liu, Ziyun Zhang, Zile He, Huaqian Cai,
- Abstract要約: LLMは推論やツールの使用によって複雑なタスクを解くことができるが、これらのソリューションを構造化されたものに正確に翻訳することは依然として難しい。
ツール使用のシーケンスとしてモデル化し、タスクを解決し、それらを確実に構築できるメカニズムを設計するものとして問題を再構築する。
本稿では,ワークフロー構築からタスク実行を分離するExecute-Summarize(ES)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.153212048436295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LLMs can solve complex tasks through reasoning and tool use, but accurately translating these solutions into structured workflows remains challenging. We model workflows as sequences of tool use and reformulate the problem as designing a mechanism that can both solve tasks and reliably construct workflows. Prior approaches that build workflows during execution often suffer from inaccuracies due to interference between the two processes. We propose an Execute-Summarize(ES) framework that decouples task execution from workflow construction: the model first completes the task using available tools, then independently reconstructs a structured workflow from execution traces. This separation improves workflow accuracy and robustness. We introduce FlowBench and show through extensive experiments that our approach outperforms existing methods, providing a reliable paradigm for grounding free-form LLM reasoning into structured workflows.
- Abstract（参考訳）: LLMは推論やツールの使用によって複雑なタスクを解決できるが、これらのソリューションを構造化ワークフローに正確に翻訳することは依然として難しい。
ワークフローをツール使用のシーケンスとしてモデル化し、タスクを解決し、ワークフローを確実に構築できるメカニズムを設計するものとして問題を再構築する。
実行中にワークフローを構築する以前のアプローチは、2つのプロセス間の干渉による不正確さに悩まされることが多い。
本稿では,ワークフロー構築からタスク実行を分離するExecute-Summarize(ES)フレームワークを提案する。
この分離によってワークフローの正確性と堅牢性が向上する。
本研究では,FlowBenchを導入し,既存の手法より優れていることを示すとともに,構造化ワークフローに自由形式のLLM推論を基礎付けるための信頼性の高いパラダイムを提供する。
関連論文リスト
- Learning to Compose for Cross-domain Agentic Workflow Generation [56.630382886594184]
クロスドメインワークフロー生成のためのオープンソースのLLMを作成します。
さまざまなドメインにわたる再利用可能なワークフロー機能のコンパクトなセットを学びます。
当社の1パスジェネレータは、20イテレーションを消費するSOTAリファインメントベースラインを超えています。
論文 参考訳（メタデータ） (2026-02-11T18:27:22Z) - Opus: A Prompt Intention Framework for Complex Workflow Generation [0.0]
Opus Prompt Intention Frameworkは命令調整型大言語モデル(LLM)による複雑な生成を改善するように設計されている
ユーザクエリから信号や意図を抽出する,カスタマイズ可能な意図キャプチャシステムを提案する。
提案システムでは,ユーザクエリからの直接生成と比較して,生成品質が著しく向上することを示す実証的証拠を提供する。
論文 参考訳（メタデータ） (2025-07-15T13:13:07Z) - Flow: Modularized Agentic Workflow Automation [53.073598156915615]
大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。
しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。
本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。
提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
論文 参考訳（メタデータ） (2025-01-14T04:35:37Z) - Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。
また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。
我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
論文 参考訳（メタデータ） (2024-10-10T12:41:19Z) - AutoFlow: Automated Workflow Generation for Large Language Model Agents [39.72700864347576]
大規模言語モデル(LLM)は、複雑な自然言語を理解する上で大きな進歩を見せている。
LLMエージェントが与えられたタスクを解決するための効果的で信頼性の高い手順に従うようにするために、手動で設計されるのが通常である。
複雑なタスクを解決するためにエージェントを自動的に生成するフレームワークであるAutoFlowを提案する。
論文 参考訳（メタデータ） (2024-07-01T21:05:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。