🔥 今日值得一读
一次搜索覆盖帕累托前沿！MoFlow多目标智能体工作流生成，偏好变了也不用重训
MoFlow: Multi-Objective Agentic Workflow Generation
👨💼 主理人解读 · 为什么值得关注
一次训练即可按不同偏好生成精度/成本/延迟权衡的Agent工作流，免去换偏好重训。
📖 AI 总结
本文提出 MoFlow，一种面向智能体工作流生成的多目标优化方法。现有方法通常只优化准确率或目标的加权和，导致每次偏好变化都需重新训练生成器。MoFlow 将工作流生成建模为多目标马尔可夫决策过程，采用凸包蒙特卡洛树搜索与乐观集合值回传，使每个节点存储一组可达权衡而非单一加权分数，从而单次搜索即可近似覆盖帕累托前沿，并针对任意偏好直接查找返回工作流，无需重训练。研究在数学、代码和问答三类共六个基准上，与六个强基线对比，并采用对基线更有利的评测设置（每个测试偏好均重跑基线，而 MoFlow 从未见过这些偏好）。即便如此，MoFlow 仍取得最高平均超体积，表明其在多目标工作流生成上具有显著优势。
🔑 关键词速览
| Agentic Workflow | 由多个智能体或工具按一定流程协作完成任务的自动化工作流。 |
| Multi-Objective Markov Decision Process | 多目标马尔可夫决策过程，一种同时优化多个冲突目标的序贯决策模型。 |
| Convex-Hull Monte Carlo Tree Search | 凸包蒙特卡洛树搜索，一种在树搜索中利用凸包近似帕累托前沿的多目标优化方法。 |
| Pareto Front | 帕累托前沿，多目标优化中所有非支配解的集合，代表不同目标间的最优权衡。 |
| Hypervolume | 超体积，衡量多目标优化算法所得解集质量的一种常用指标，值越大表示解集越优。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅