失败驱动的工作流优化
人工智能
2025-10-14 v1
摘要
基于 LLM 的工作流优化通常被形式化为全局搜索，其中候选工作流依据单一标量指标进行评估。然而，这一范式存在一个关键缺陷：信息坍缩。通过将丰富的多步骤执行轨迹简化为简单的成功/失败信号，现有方法对失败背后的结构视而不见，从根本上阻碍了它们对工作流失败分布的建模。我们将这一挑战重新概念化为一个分布问题。我们提出一种新范式，其优化目标不再是最大化标量得分，而是直接最小化工作流的期望失败质量（Expected Failure Mass），即在其高维失败签名空间（Failure Signature Space, FSS）上定义的失败概率密度函数的积分。这一分布视角使我们能够从低效的零阶优化转向在失败景观本身上的有原则的类梯度下降。我们引入 CE-Graph，一个通过新颖的失败驱动优化过程使该范式落地的框架。CE-Graph 从反例样本池中近似失败分布，识别其最密集的区域作为反复出现的失败模式，并通过提议-验证（Propose-and-Verify）机制施加受算子约束的图编辑，以贪心地减少失败质量。在数学、代码和问答基准测试上，我们的 CE-Graph 以显著更低的成本实现了比强基线更高的鲁棒性。这表明，系统的可靠性并非源于规避失败，而是源于系统性地学习并重塑其失败分布的几何结构。
引用
@article{arxiv.2510.10035,
title = {Failure-Driven Workflow Refinement},
author = {Jusheng Zhang and Kaitong Cai and Qinglin Zeng and Ningyuan Liu and Stephen Fan and Ziliang Chen and Keze Wang},
journal= {arXiv preprint arXiv:2510.10035},
year = {2025}
}