論文の概要: FlowBank: Query-Adaptive Agentic Workflows Optimization through Precompute-and-Reuse

• arxiv url: http://arxiv.org/abs/2606.11290v1
• Date: Tue, 09 Jun 2026 17:58:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.114878
• Title: FlowBank: Query-Adaptive Agentic Workflows Optimization through Precompute-and-Reuse
• Title（参考訳）: FlowBank: プリコンプリート・アンド・リユースによるクエリ適応型エージェントワークフロー最適化
• Authors: Lingzhi Yuan, Chenghao Deng, Fangxu Yu, Souradip Chakraborty, Mohammad Rostami, Furong Huang,
• Abstract要約: 大規模言語モデル(LLM)ベースのマルチエージェントシステムはますます強力になっている。 タスクレベルのメソッドはかなりのオフライン計算に費やしますが、単一のワークフローのみをデプロイします。 クエリレベルのメソッドは、クエリ毎の新しいワークフローを相当なコストで合成する。 本稿では,ポートフォリオベースのエージェントワークフロー最適化フレームワークであるFlowBankを紹介する。
• 参考スコア（独自算出の注目度）: 58.80348559239392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model (LLM)-based multi-agent systems are increasingly powerful, but current agentic workflow optimization paradigms make an unsatisfying trade-off. Task-level methods spend substantial offline compute yet deploy only a single workflow, leaving complementary candidates unused, while query-level methods synthesize a new workflow per query at substantial inference cost. Our motivating analysis shows these paradigms are more complementary than competing: workflows discovered during offline search often solve different subsets of queries, and many queries handled by expensive query-level generation can already be solved by cheaper precomputed workflows. This suggests a different objective: rather than searching for one universally best workflow or regenerating one per instance, we should build a compact bank of reusable, complementary workflows and select among them adaptively at inference time. Doing so requires solving three coupled problems: generating complementary rather than redundant candidates, compressing them into a small deployable portfolio, and assigning each query to the right workflow under a performance-cost trade-off. To this end, we present FlowBank, a three-stage framework for portfolio-based agentic workflow optimization. Diversifying proposes DiverseFlow to steer search toward under-covered queries and produce a high-coverage candidate pool. Curating proposes CuraFlow to compress this pool into a compact portfolio with minimal redundancy. Matching casts deployment as edge-value prediction on a query-workflow bipartite graph and routes each incoming query to the portfolio member with the best predicted utility. Across five benchmarks, FlowBank achieves the highest average score among the evaluated methods while remaining cost-competitive, improving over the strongest automated and handcrafted baselines by 4.26% and 14.92% relative, respectively.
• Abstract（参考訳）: 大規模言語モデル(LLM)ベースのマルチエージェントシステムはますます強力になるが、現在のエージェントワークフロー最適化のパラダイムは不満足なトレードオフをもたらす。 タスクレベルのメソッドはオフラインで処理を行うが、単一のワークフローのみをデプロイし、補完的な候補を未使用のまま残し、クエリレベルのメソッドは、クエリ毎の新しいワークフローを相当な推論コストで合成する。 我々のモチベーション分析は、これらのパラダイムが競合するよりも補完的であることを示している。オフライン検索中に発見されたワークフローは、クエリの異なるサブセットを解決することが多く、高価なクエリレベルの生成によって処理される多くのクエリは、より安価なプリ計算されたワークフローによって既に解決されている。 普遍的に最高のワークフロー1つを探すか、インスタンス1つを再生する代わりに、再利用可能な補完ワークフローのコンパクトバンクを構築し、推論時にそれらの中から適応的に選択する必要があります。 冗長な候補を生成すること、小さなデプロイ可能なポートフォリオに圧縮すること、パフォーマンスコストのトレードオフの下で各クエリを適切なワークフローに割り当てることである。 この目的のために、ポートフォリオベースのエージェントワークフロー最適化のための3段階フレームワークであるFlowBankを紹介します。 DiversifyingはDiverseFlowを提案して、未カバーのクエリを検索し、高カバレッジの候補プールを生成する。 Curating氏は、このプールを最小冗長性でコンパクトなポートフォリオに圧縮することを提案している。 マッチングは、クエリワークフローの分岐グラフ上でエッジ値の予測として配置され、最も予測可能なユーティリティで、各クエリをポートフォリオメンバにルーティングする。 5つのベンチマークで、FlowBankはコスト競争力を維持しながら評価された手法の中で最も高い平均スコアを獲得し、最強の自動化ベースラインと手作りベースラインをそれぞれ4.26%、相対14.92%改善した。

関連論文リスト

• 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)
• Rethinking the Value of Multi-Agent Workflow: A Strong Single Agent Baseline [38.16649115214312]
  一つのエージェントがKVキャッシュの再利用による効率上の利点を生かして均一性を実現できることを示す。 本稿では,単一エージェントの実行を自動的に調整し,推論コストを削減するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-01-18T08:16:09Z)
• Do We Always Need Query-Level Workflows? Rethinking Agentic Workflow Generation for Multi-Agent Systems [72.3575737073235]
  マルチエージェントシステム(MAS)は、複数のエージェントを協調することで複雑なタスクを解決する。 既存のアプローチはタスクレベルかクエリレベルで生成されるが、その相対的なコストと利点は未だ不明である。 クエリレベルのワークフロー生成は必ずしも必要ではない、なぜなら、トップKレベルのタスクレベルの小さなセットが、すでに同等あるいはそれ以上のクエリをカバーしているからだ。
  論文  参考訳（メタデータ） (2026-01-16T10:05:51Z)
• 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)
• Multi-objective Optimization of Clustering-based Scheduling for Multi-workflow On Clouds Considering Fairness [4.021507306414546]
  本稿では,資源割り当てのためのクラスタリングに基づくマルチワークフロースケジューリング手法を提案する。 実験結果から,提案手法の精度は,提案手法が比較アルゴリズムよりも優れており,全体の規模とコストと,個別の公平性を著しく損なうことなく性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-05-23T10:25:16Z)

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。