BayesFlow：面向元智能体辅助工作流生成的概率推断框架
机器学习
2026-02-02 v1
摘要
自动工作流生成是指为复杂的端到端任务自动合成序列的 LLM 调用、工具调用和后处理步骤。大多数先前方法将此任务作为优化问题，且缺乏严理论依据。我们提出将工作流生成建模为关于工作流后验分布的贝叶斯推断，并引入 \textbf{Bayesian Workflow Generation (BWG)}，一种使用并行前瞻 rollout 进行重要加权和顺序内循环refiner进行池内改进的采样框架。我们证明，在无refiner情况下，加权经验分布收敛于目标后验。我们将 BWG 实现为 \textbf{BayesFlow}，一种无需训练的工作流构建算法。在六个基准数据集上，BayesFlow 在 SOTA 工作流生成基线上提升最高可达 9 个百分点，在零样本提示上提升最高可达 65 个百分点，确立了 BWG 作为基于搜索的工作流设计的原则性升级。代码将在 https://github.com/BoYuanVisionary/BayesFlow 上提供。
引用
@article{arxiv.2601.22305,
title = {BayesFlow: A Probability Inference Framework for Meta-Agent Assisted Workflow Generation},
author = {Bo Yuan and Yun Zhou and Zhichao Xu and Kiran Ramnath and Aosong Feng and Balasubramaniam Srinivasan},
journal= {arXiv preprint arXiv:2601.22305},
year = {2026}
}
备注
EACL 2026 Finding