論文の概要: WorkflowOps: Learning Agent Collaboration Priors for Multi-Agent Workflow Orchestration

• arxiv url: http://arxiv.org/abs/2610.07860v1
• Date: Tue, 06 Oct 2026 07:01:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.862754
• Title: WorkflowOps: Learning Agent Collaboration Priors for Multi-Agent Workflow Orchestration
• Title（参考訳）: WorkflowOps: マルチエージェントワークフローオーケストレーションのための学習エージェントコラボレーション
• Abstract要約: 本稿では,エージェントコラボレーションの過去の履歴を学習し,必要に応じてエージェントプールを拡張して,新たな機能要件をカバーするマルチエージェントワークフローオーケストレーションフレームワークを提案する。 混合コード、数学、質問回答スイートの実験によると、Opsはワークフロー構築ベースラインよりもエンドツーエンドのパスレートを改善しており、過去のエージェントハンドオフパターンが転送される構造化された非コンパイル可能なタスクで最大の利益を得ている。
• 参考スコア（独自算出の注目度）: 51.22290155772135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent systems are increasingly deployed for complex knowledge work, yet their orchestration layers remain largely memoryless: each new task is decomposed, assigned, and executed from scratch with no benefit from prior successful executions. We present WorkflowOps, a multi-agent workflow orchestration framework that learns agent collaboration priors from historical workflows and expands its agent pool on demand to cover new capability requirements. Our approach introduces three coupled mechanisms. First, a transition probability matrix captures pairwise agent collaboration frequencies from past workflows and applies them as soft guidance during DAG workflow construction through intra-layer ordering optimization, probability-thresholded edge suggestion, and transitive reduction for parallelism maximization. Second, a sufficiency-driven agent creation loop detects capability gaps via semantic matching scores, generates specialized agents through an LLM, and simultaneously injects them into the collaboration matrix, so that newly created agents are immediately usable with predicted collaboration priors. Third, a layered semantic matching strategy uses pre-trained sentence embeddings for fast, deterministic capability matching as a first pass, invoking LLM verification only for low-confidence cases, thereby reducing LLM routing calls by over 80\% compared to pure-LLM approaches. Experiments on mixed code, math, and question-answering suites show that WorkflowOps improves end-to-end pass rates over recent workflow-construction baselines, with the largest gains on structured, decomposable tasks where past agent handoff patterns transfer.
• Abstract（参考訳）: 複雑な知識処理のために、マルチエージェントシステムはますますデプロイされるが、そのオーケストレーション層は、ほとんどメモリレスのままである。 これは、過去のワークフローからエージェントコラボレーションを学習し、必要に応じてエージェントプールを拡張して、新たな機能要件をカバーする、マルチエージェントワークフローオーケストレーションフレームワークです。 提案手法は3つの結合機構を導入している。 まず、遷移確率行列は、過去のワークフローから一対のエージェント協調周波数を捕捉し、層内順序付け最適化、確率閾値エッジ提案、並列性最大化のための推移的削減を通じてDAGワークフロー構築中にそれらをソフトガイダンスとして適用する。 第2に、十分駆動エージェント生成ループは、セマンティックマッチングスコアを介して機能ギャップを検出し、LLMを介して特殊エージェントを生成し、同時に協調マトリックスに注入することにより、新たに生成されたエージェントが、予測された協調先行で即座に使用できるようにする。 第3に、階層化されたセマンティックマッチング戦略は、高速で決定論的な能力マッチングのための事前訓練された文埋め込みを第1パスとして使用し、低信頼ケースのみにLLM検証を呼び起こし、純粋なLLMアプローチと比較してLLMルーティング呼び出しを80%以上削減する。 混合コード、数学、質問回答スイートの実験は、WorkflowOpsが最近のワークフロー構築ベースラインよりもエンドツーエンドのパスレートを改善し、過去のエージェントハンドオフパターンが転送される、構造化され分解可能なタスクで最大の利益を得ていることを示している。

関連論文リスト

• Adaptive Multimodal Agents-Based Framework for Automatic Workflow Execution [1.2132786136735432]
  本稿では,異なる2相パイプラインによる自動ワークフロー実行を実現するための,新しいマルチエージェントフレームワークを提案する。 推論の間、エージェントはこの固定された事前確立されたグラフに対して適応検索拡張生成(RAG)を利用する。 実世界の文脈でフレームワークを検証し、限られたトレーニングデータであっても高い信頼性とセマンティックな認識を維持する能力を示す。
  論文  参考訳（メタデータ） (2026-05-27T15:23:22Z)
• 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)
• Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
  マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。 経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。 推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
  論文  参考訳（メタデータ） (2025-05-29T07:24:37Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• 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。