[LG]《AdaptFlow: Adaptive Workflow Optimization via Meta-Learning》R Zhu, B Jiang, L Mei, F Yang... [Peking University & University of Chinese Academy of Sciences] (2025)
AdaptFlow：基于元学习的自适应Agentic工作流优化框架
• 解决现有Agentic工作流多依赖静态模板、缺乏对多样任务适应性的瓶颈，提出以自然语言反馈驱动的元优化方案，实现工作流快速细粒度迭代。
• 采用双层优化架构：内循环利用LLM生成的文本反馈进行子任务级别的工作流符号更新，判断更新有效性确保局部收敛；外循环聚合多子任务反馈，反思失败案例促进全局稳定收敛。
• 训练阶段通过任务聚类划分子任务，实现针对性工作流微调；测试时基于输入问题语义描述进行轻量级自适应，显著提升未见任务的泛化能力。
• 在问答、代码生成及数学推理等8个公开基准上全面评测，持续超越手工设计与自动搜索工作流，数学任务上最高提升近7个百分点，展现强跨任务与模型泛化力。
• 结构化模块设计兼顾通用性与子任务特性，支持多模型（GPT-4系列、Claude等）无缝集成，优化过程完全依赖自然语言反馈，突破传统梯度下降限制。
• 开源代码与数据已发布，助力社区构建高效、可解释、动态自适应的Agentic系统。
详情链接👉 arxiv.org/abs/2508.08053
GitHub👉 github.com/microsoft/DKI_LLM/tree/AdaptFlow/AdaptFlow
元学习Agentic工作流大语言模型自动化优化跨任务泛化
