Agent WARPP：通过运行时并行个性化实现工作流遵循

大语言模型（LLM）越来越多地应用于面向任务的对话（TOD）系统，但在处理涉及外部工具调用且依赖用户特定信息的冗长条件工作流时常常遇到困难。我们提出了通过运行时并行个性化实现工作流遵循，简称WARPP，这是一个免训练的模块化框架，它将多智能体编排与运行时个性化相结合，以提高基于LLM的系统中的工作流遵循度。通过根据用户属性动态剪枝条件分支，该框架减少了推理开销并在运行时缩小了工具选择范围。WARPP部署了并行化架构，其中专用的个性化智能体与模块化、特定领域的智能体并行运行，以实时动态调整执行路径。该框架在三个领域（银行、航班和医疗保健）中跨五个具有不同复杂度的代表性用户意图进行了评估。我们的评估利用合成数据集和基于LLM的模拟用户来测试具有条件依赖关系的场景。我们的结果表明，WARPP优于非个性化方法和ReAct基线，随着意图复杂度的增加，在参数保真度和工具准确性方面取得了越来越大的提升，同时减少了平均token使用量，且无需任何额外训练。