A^2Flow: Automatisierte Agenten-Workflow-Generierung mit adaptiven Operatoren
Ein neues Open-Source-Projekt namens A^2Flow verspricht, die Art und Weise, wie Agenten ihre Arbeitsabläufe planen, grundlegend zu verändern. Durch den Einsatz von großen Sprachmodellen (LLMs) und einem dreistufigen Prozess zur Extraktion von selbstadaptiven Abstraktionsoperatoren kann A^2Flow komplette Workflows ohne manuelle Definition von Operatoren erzeugen.
Der erste Schritt nutzt Fallstudien und LLM-Logik, um aufgabenbezogene Operatoren zu generieren. Anschließend werden ähnliche Operatoren gruppiert, um vorläufige Abstraktionen zu bilden. Im letzten Schritt kommen fortgeschrittene Prompting-Methoden zum Einsatz, um kompakte, generalisierbare Ausführungsoperatoren zu extrahieren, die als Bausteine für neue Workflows dienen.
Ein weiteres Highlight ist die Operator‑Memory‑Funktion, die vergangene Ausgaben speichert und so den Kontext für zukünftige Entscheidungen erweitert. In Tests auf allgemeinen und eingebetteten Benchmarks erzielte A^2Flow durchschnittlich 2,4 % bzw. 19,3 % höhere Leistungen und senkte den Ressourcenverbrauch um 37 % im Vergleich zu führenden Baselines.
Das Projekt ist unter https://github.com/pandawei-ele/A2FLOW verfügbar und bietet damit Forschern und Entwicklern ein leistungsfähiges Werkzeug, um Agenten autonom und effizient zu gestalten.