論文の概要: From Static Templates to Dynamic Runtime Graphs: A Survey of Workflow Optimization for LLM Agents
- arxiv url: http://arxiv.org/abs/2603.22386v1
- Date: Mon, 23 Mar 2026 17:42:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.116064
- Title: From Static Templates to Dynamic Runtime Graphs: A Survey of Workflow Optimization for LLM Agents
- Title（参考訳）: 静的テンプレートから動的ランタイムグラフへ: LLMエージェントのワークフロー最適化に関する調査
- Abstract要約: 大規模言語モデル(LLM)ベースのシステムは、タスクの解決に人気が高まっている。
本稿では,そのような計算を設計・最適化するための最近の手法について概観する。
- 参考スコア（独自算出の注目度）: 39.457720579458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM)-based systems are becoming increasingly popular for solving tasks by constructing executable workflows that interleave LLM calls, information retrieval, tool use, code execution, memory updates, and verification. This survey reviews recent methods for designing and optimizing such workflows, which we treat as agentic computation graphs (ACGs). We organize the literature based on when workflow structure is determined, where structure refers to which components or agents are present, how they depend on each other, and how information flows between them. This lens distinguishes static methods, which fix a reusable workflow scaffold before deployment, from dynamic methods, which select, generate, or revise the workflow for a particular run before or during execution. We further organize prior work along three dimensions: when structure is determined, what part of the workflow is optimized, and which evaluation signals guide optimization (e.g., task metrics, verifier signals, preferences, or trace-derived feedback). We also distinguish reusable workflow templates, run-specific realized graphs, and execution traces, separating reusable design choices from the structures actually deployed in a given run and from realized runtime behavior. Finally, we outline a structure-aware evaluation perspective that complements downstream task metrics with graph-level properties, execution cost, robustness, and structural variation across inputs. Our goal is to provide a clear vocabulary, a unified framework for positioning new methods, a more comparable view of existing body of literature, and a more reproducible evaluation standard for future work in workflow optimizations for LLM agents.
- Abstract（参考訳）: 大規模言語モデル(LLM)ベースのシステムは、LCMコール、情報検索、ツール使用、コード実行、メモリ更新、検証をインターリーブする実行可能なワークフローを構築することで、タスクの解決に人気が高まっている。
本稿では,エージェント計算グラフ(ACG)として扱うワークフローの設計と最適化に関する最近の手法についてレビューする。
我々は、ワークフロー構造がいつ決定されるか、どのコンポーネントやエージェントが存在するか、どのように相互に依存しているか、それらの間の情報の流れについて、文献を整理する。
このレンズは、デプロイ前に再利用可能なワークフローの足場を修正する静的メソッドと、実行前または実行中の特定の実行時にワークフローを選択し、生成し、修正する動的メソッドとを区別する。
構造が決定されたとき、ワークフローのどの部分が最適化されているか、どの評価信号が最適化を導くか(例えば、タスクメトリクス、検証信号、嗜好、トレースからのフィードバックなど)。
また、再利用可能なワークフローテンプレート、実行固有の実現されたグラフ、実行トレースを区別し、再利用可能な設計選択を、特定の実行に実際にデプロイされた構造と実行時の動作から分離します。
最後に、ダウンストリームタスクメトリクスをグラフレベルの特性、実行コスト、ロバスト性、入力間の構造変化で補完する構造認識評価の視点を概説する。
我々のゴールは、明確な語彙、新しいメソッドの位置決めのための統一されたフレームワーク、既存の文献のより同等のビュー、LLMエージェントのワークフロー最適化における将来の作業のための再現可能な評価標準を提供することです。
関連論文リスト
- FlowScout: From Execution Feedback to Reliable Tool-Using Agent Workflows [6.767792769288717]
FlowScoutは、過去のタスク解決レコードからツール統合エージェントを生成するための実行誘導フレームワークである。
最初に、最初のワークフローを構築するために、歴史的な記録から共通のツール調整をマイニングする。
その後、実行フィードバックによってガイドされたMonte Carloツリー検索を通じてワークフロートポロジを洗練する。
論文 参考訳（メタデータ） (2026-08-10T08:41:59Z) - Behavioral Controllability of Agentic Models for Information Extraction: From Fixed Workflows to Reflective Agents [4.2476244489062704]
本研究では,リフレクションやメモリなどのエージェント成分が,固定LDMエージェントよりも観測可能かつ制御可能な改善をもたらすかを検討した。
固定されたワークフローベースラインと反射エージェントの変種を比較し、最適化されたエージェント条件を指定する。
評価では,ツールの実行,再試行,リフレクション,メモリ使用,実行時の障害回復など,プロセスレベルの動作が重視される。
論文 参考訳（メタデータ） (2026-07-17T07:51:09Z) - FlowCompile: An Optimizing Compiler for Structured LLM Workflows [44.34248788469801]
FlowCompileは、高品質で再利用可能なトレードオフセットを特定するためにコンパイル時の設計スペース探索を実行する構造化LLMコンパイラである。
実験によると、FlowCompileは最適化されたワークフロー構成とルーティングベースのベースラインを一貫して上回り、最大6.4倍のスピードアップを提供する。
論文 参考訳（メタデータ） (2026-05-13T15:06:36Z) - A Reproducible Optimisation Protocol for Calibrating Prompt-Based Large Language Model Workflows in Evidence Synthesis [1.624454100511275]
本稿では、構造化エビデンス合成タスクにおけるプロンプトベース大規模言語モデル(LLM)の再現可能な校正ワークフローについて述べる。
この方法は、科学的タスクを定義するルールを、フレームをフレーム化し適用する変更可能なプロンプトハーネスから分離する。
ラベル付けされた例や参照された例、明示的なタスクメトリックに対する利用を最適化し、検査可能な成果物としてキャリブレーションされたワークフローを保存する。
論文 参考訳（メタデータ） (2026-05-07T20:55:07Z) - Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。
Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
論文 参考訳（メタデータ） (2025-05-26T09:46:50Z) - Understanding and Optimizing Agentic Workflows via Shapley value [49.508008396810624]
エージェント構成の分析と最適化に協調ゲーム理論を利用する最初のフレームワークであるShapleyFlowを紹介した。
ShagleyFlowは、各コンポーネントのコントリビューションの詳細な属性を可能にし、タスク固有の最適設定の識別を容易にする。
論文 参考訳（メタデータ） (2025-02-01T18:07:34Z) - 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) - Opus: A Large Work Model for Complex Workflow Generation [0.0]
Opusは、複雑なビジネスプロセスアウトソーシング(BPO)ユースケースに適したタスクの生成と最適化のためのフレームワークである。
このアプローチでは、クライアント入力、クライアント出力、プロセス指向コンテキストのアライメントとして定義されたインテンションから実行ファイルを生成します。
論文 参考訳（メタデータ） (2024-11-30T20:00:41Z) - 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) - ComfyGen: Prompt-Adaptive Workflows for Text-to-Image Generation [87.39861573270173]
本稿では,各ユーザプロンプトに自動的にワークフローをカスタマイズすることを目的とする,プロンプト適応型ワークフロー生成の新しいタスクを紹介する。
本稿では,この課題に対処する2つの LLM ベースの手法を提案する。ユーザ・参照データから学習するチューニングベース手法と,既存のフローを選択するために LLM を使用するトレーニングフリー手法である。
本研究は,現場における既存研究の方向性を補完し,テキスト・画像生成の品質向上のための新たな経路を提供することを示す。
論文 参考訳（メタデータ） (2024-10-02T16:43:24Z)
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。