論文の概要: RA-MoWE: Workflow-Affinity Embeddings for Query Clustering and Agentic Workflow Generation

• arxiv url: http://arxiv.org/abs/2610.07851v1
• Date: Tue, 06 Oct 2026 06:58:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.860034
• Title: RA-MoWE: Workflow-Affinity Embeddings for Query Clustering and Agentic Workflow Generation
• Title（参考訳）: RA-MoWE:クエリクラスタリングとエージェントワークフロー生成のためのワークフロー親和性埋め込み
• Abstract要約: RA-MoWEは、クラスタクエリにワークフロー親和性埋め込みを使用して、再利用可能なエキスパートの生成をガイドするフレームワークである。 埋め込みエンコーダは、クエリテキストからこれらの埋め込みを予測し、新しいクエリは、最初に参照を選択することなく、生成されたエキスパートを選択することができる。 RA-MoWEは参照の選択よりも平均タスクスコアを4.04ポイント改善し、推論時の言語モデル呼び出しを27.7%削減した。
• 参考スコア（独自算出の注目度）: 55.27793983826256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic workflows enable large language models (LLMs) to solve complex tasks by coordinating reasoning, tool use, and verification. However, a workflow optimized for an entire task collection can overlook differences in the reasoning strategies that individual queries need, while searching for a new workflow for every query repeats costly optimization. To address this tradeoff, we introduce RA-MoWE, a framework that uses workflow-affinity embeddings to cluster queries and guide the generation of reusable expert workflows. Each embedding records how well a fixed set of reference workflows solves a query, revealing similarities in which reasoning strategies are effective. RA-MoWE uses each cluster's queries and average embedding to initialize and refine a specialized workflow through execution feedback. An embedding encoder predicts these embeddings from query text, allowing new queries to select a generated expert without first executing the reference workflows. On a 300-query test set drawn from four benchmarks spanning mathematics, science, and programming, RA-MoWE improves average task score by 4.04 percentage points over selecting among the reference workflows, while using 27.7% fewer language-model calls at inference.
• Abstract（参考訳）: エージェントワークフローにより、推論、ツールの使用、検証をコーディネートすることで、大きな言語モデル(LLM)で複雑なタスクを解決できる。 しかしながら、タスクコレクション全体に最適化されたワークフローは、個々のクエリに必要な推論戦略の違いを見落とし、クエリ毎に新しいワークフローを検索することで、コストのかかる最適化を行うことができる。 このトレードオフに対処するため、RA-MoWEは、クラスタクエリへのワークフロー親和性埋め込みを使用して、再利用可能なエキスパートワークフローの生成をガイドするフレームワークである。 それぞれの埋め込みは、固定された参照ワークフローがクエリをいかにうまく解決するかを記録し、推論戦略が有効である類似点を明らかにする。 RA-MoWEは各クラスタのクエリと平均埋め込みを使用して、実行フィードバックを通じて特別なワークフローを初期化し、洗練する。 埋め込みエンコーダはクエリテキストからこれらの埋め込みを予測するので、参照ワークフローを最初に実行せずに、新しいクエリが生成されたエキスパートを選択することができる。 数学、科学、プログラミングの4つのベンチマークから得られた300クエリテストセットで、RA-MoWEは参照ワークフローの選択よりも平均タスクスコアを4.04ポイント改善し、推論時の言語モデル呼び出しを27.7%削減した。

関連論文リスト

• OOPMAS: Object-Oriented Multi-Agent Systems for Query-Level Workflow Generation [55.27793983826255]
  OOPMASは、エージェントセットと調整ワークフローの両方を個々のクエリの粒度で生成する、トレーニング不要のフレームワークである。 コード、数学、QAにまたがるクエリの混合タスクベンチマークでは、OOPMASは89.6%の精度を達成し、最強のベースラインを18.1ポイント上回っている。
  論文  参考訳（メタデータ） (2026-10-06T05:31:29Z)
• FlowBank: Query-Adaptive Agentic Workflows Optimization through Precompute-and-Reuse [58.80348559239392]
  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。
  論文  参考訳（メタデータ） (2026-06-09T17:58:21Z)
• 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)

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。