論文の概要: GraphFlow: A Graph-Based Workflow Management for Efficient LLM-Agent Serving
- arxiv url: http://arxiv.org/abs/2605.22566v1
- Date: Thu, 21 May 2026 14:45:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 20:14:18.587086
- Title: GraphFlow: A Graph-Based Workflow Management for Efficient LLM-Agent Serving
- Title（参考訳）: GraphFlow: LLM-Agentの効率的な実行のためのグラフベースのワークフロー管理
- Abstract要約: GraphFlowは、2つのキーデザインを通じてエージェントに効率的に統合するシステムである。
常に最先端の手法を上回り、平均性能は4.95ポイント向上した。
- 参考スコア（独自算出の注目度）: 27.270604867405325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Model (LLM)-based agents demonstrate strong reasoning and execution capabilities on complex tasks when guided by structured instructions, commonly referred to as workflows. However, existing workflow-assisted agent serving systems typically rely on predefined templates and shallow matching mechanisms, which limit their ability to capture deep semantic relationships and generalize to previously unseen tasks. To address these limitations, we propose a new workflow management paradigm that represents workflows using a unified graph, termed wGraph, where each node corresponds to an atomic operation. wGraph serves as a shared substrate from which task-specific workflows are dynamically instantiated. Building on wGraph primitives, we introduce GraphFlow, a system that efficiently integrates workflows into agent serving through two key designs. First, adaptive workflow generation dynamically constructs workflows from wGraph based on task semantics and constraint requirements. Second, workflow state management exploits wGraph structure to efficiently manage Key-Value (KV) caches, reducing redundant computation during agent serving. Extensive experiments across five benchmark datasets show that GraphFlow consistently outperforms state-of-the-art methods, yielding an average performance improvement of approximately 4.95 percentage points, while achieving an approximately 4$\times$ reduction in memory footprint.
- Abstract（参考訳）: 大規模言語モデル(LLM)ベースのエージェントは、ワークフローと呼ばれる構造化命令によってガイドされる場合、複雑なタスクに対して強力な推論と実行能力を示す。
しかし、既存のワークフロー支援エージェントサービスシステムは通常、定義済みのテンプレートと浅いマッチングメカニズムに依存しており、これは深いセマンティックな関係を捕捉し、以前は目に見えないタスクに一般化する能力を制限している。
これらの制約に対処するために,各ノードがアトミックな操作に対応するwGraphと呼ばれる統一グラフを用いてワークフローを表現する新しいワークフロー管理パラダイムを提案する。
wGraphはタスク固有のワークフローを動的にインスタンス化する共有基板として機能する。
wGraphプリミティブ上に構築されたGraphFlowは,ワークフローを2つの重要な設計を通じてエージェントに効率的に統合するシステムである。
まず、適応ワークフロー生成は、タスクのセマンティクスと制約要求に基づいてwGraphからのワークフローを動的に構築する。
第2に、ワークフローの状態管理はwGraph構造を利用してキーバリュー(KV)キャッシュを効率的に管理する。
5つのベンチマークデータセットにわたる大規模な実験によると、GraphFlowは最先端のメソッドを一貫して上回り、平均パフォーマンスは4.95ポイント向上し、メモリフットプリントの約4$\times$削減を達成した。
関連論文リスト
- Cloud Workflow Scheduling Based on Graph Attention-Driven Hierarchical Reinforcement Learning [10.978371228753518]
本稿では,GA-HRL(Graph Attention-Driven Reinforcement Learning)フレームワークとモデルスケジューリングプロセスを開発する。
タスク実行速度、配置に依存した通信、タスクとコンテナの決定の結合に対処しながら、納期満足度、コンテナ利用、エネルギー消費のバランスを取る。
2018年のAlibabaクラスタトレースの実験によると、GA-HRLは競争力のあるワークフローの成功率を維持しており、成功率が同等な環境では、コンテナの利用率の向上とエネルギー消費量の削減を実現している。
論文 参考訳（メタデータ） (2026-09-14T02:50:40Z) - 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) - GraphMind: From Operational Traces to Self-Evolving Workflow Automation [8.929269898719822]
GraphMindは、人間の努力なしにアクション中心のワークフローグラフを構築し、実行し、進化させるエンドツーエンドシステムである。
システムは、インシデント調査のために、4つのプロダクションクラウドデータベースサービスにデプロイされている。
論文 参考訳（メタデータ） (2026-05-17T19:22:22Z) - Why Search When You Can Transfer? Amortized Agentic Workflow Design from Structural Priors [51.95306551061392]
エージェントワークフローの自動設計は、現在、タスクごとの反復検索に依存している。
本稿では,ワークフロー設計を再利用可能な構造的先入観に補正するフレームワークであるSWIFTを提案する。
SWIFTは5つのベンチマークで最先端の検索手法より優れている。
論文 参考訳（メタデータ） (2026-04-27T21:25:00Z) - DyFlow: Dynamic Workflow Framework for Agentic Reasoning [79.19799197382478]
DyFlowは動的ワークフロー生成フレームワークで、タスク要求とリアルタイム中間フィードバックに基づいて推論手順を適応的に構築し、調整する。
社会的推論,生物医学的タスク,数学的問題解決,コード生成など,さまざまな領域でDyFlowを体系的に評価する。
結果は、DyFlowが既存のベースラインを大幅に上回り、Pass@kの改善を実現し、さまざまなドメインにわたって堅牢な一般化を示すことを示した。
論文 参考訳（メタデータ） (2025-09-30T10:36:23Z) - Follow the Flow: Fine-grained Flowchart Attribution with Neurosymbolic Agents [106.04963073116468]
フローチャートは意思決定プロセスを視覚化するための重要なツールです。
視覚言語モデルは、これらの図を分析する際に、存在しない接続や決定経路を幻覚させる。
LLM応答を参照してフローチャートを接地する特定の成分をトレースするフローチャートについて紹介する。
本稿では, グラフベースの推論により微細なホック帰属を行うニューロシンボリック・エージェントであるFlowPathAgentを提案する。
論文 参考訳（メタデータ） (2025-06-02T06:02:41Z) - 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) - AFlow: Automating Agentic Workflow Generation [36.61172223528231]
大規模言語モデル(LLM)は、様々な領域にわたる複雑なタスクを解く上で、顕著な可能性を示している。
我々は、Monte Carlo Tree Searchを使って、この空間を効率的に探索する自動化フレームワークであるAFlowを紹介します。
6つのベンチマークデータセットに対する実証的な評価は、AFlowの有効性を示し、最先端のベースラインよりも平均5.7%向上している。
論文 参考訳（メタデータ） (2024-10-14T17:40:40Z) - 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) - Enel: Context-Aware Dynamic Scaling of Distributed Dataflow Jobs using
Graph Propagation [52.9168275057997]
本稿では,属性グラフ上でメッセージの伝搬を利用してデータフロージョブをモデル化する,新しい動的スケーリング手法であるEnelを提案する。
Enelが効果的な再スケーリングアクションを識別でき、例えばノードの障害に反応し、異なる実行コンテキストで再利用可能であることを示す。
論文 参考訳（メタデータ） (2021-08-27T10:21:08Z)
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。