BayesFlow: Bayesian-Ansatz revolutioniert Workflow-Generierung

Die automatische Erstellung komplexer Arbeitsabläufe – bestehend aus LLM-Aufrufen, Tool‑Invokationen und Nachbearbeitungsschritten – wurde bislang vorwiegend als Optimierungsproblem behandelt. Mit dem neuen Bayesian Workflow Generation (BWG)‑Framework wird diese Aufgabe jedoch als Bayessche Inferenz über die Posteriorverteilung von Workflows neu formuliert.

BWG baut Abläufe schrittweise auf, indem es parallele Look‑Ahead‑Rollouts nutzt, um die Wichtigkeit einzelner Pfade zu gewichten, und einen sequentiellen In‑Loop‑Refiner einsetzt, der die gesamte Pool‑Qualität verbessert. Theoretisch wird gezeigt, dass die gewichtete Stichprobenverteilung ohne Refiner gegen die Ziel‑Posterior konvergiert.

Die konkrete Umsetzung, BayesFlow, ist ein trainingsfreier Algorithmus, der die Prinzipien von BWG praktisch anwendet. Auf sechs Benchmark‑Datensätzen erzielt BayesFlow bis zu 9 Prozentpunkte mehr Genauigkeit als aktuelle SOTA‑Baselines und bis zu 65 Prozentpunkte besser als Zero‑Shot‑Prompting, was BWG als solide Weiterentwicklung der suchbasierten Workflow‑Design‑Methoden etabliert.

Der Quellcode ist frei verfügbar unter https://github.com/BoYuanVisionary/BayesFlow.