o1蒙特卡洛树的风又吹到了Agentic工作流！
AFlow 是一个用于自动生成和优化Agentic工作流的框架。它使用蒙特卡洛树搜索（Monte Carlo tree search）在代码表示的工作流空间中查找有效的工作流，用机器工作取代手动开发。在各种任务上都显示出超越手工工作流的潜力，由MetaGPT开源。
AFLOW（以黄色突出显示）在所有六个基准测试中始终优于所有自动化工作流优化和手动设计的方法（IO、CoT、CoT SC、MedPrompt、MultiPersona、Self Refine、ADAS）
AFLOW在GSM8K上的树状迭代过程：突出显示了从初始轮次（第1轮）到表现最佳的工作流的路径，报告了每个节点的得分及其与前一个节点的修改。提示两侧的紫色部分代表了本轮迭代中的主要提示修改。
框架组件
节点：LLM 调用的基本单元。参考metagpt/actions/action_node.py用于控制 LLM、温度、格式和提示的灵活接口。Operator：预定义 Node 组合，提升搜索效率。封装了 Generate、Format、Review、Revise、Ensemble、Test、Programmer 等常用操作。参考metagpt/ext/aflow/operator.py。支持定制自己的 Operator。工作流：通过边连接的一系列 LLM 调用节点。可以表示为图形、神经网络或代码，以表达各种执行结构。参考metagpt/ext/aflow/workflow.py。优化器：使用蒙特卡洛树搜索变体中的 LLM 来探索和优化工作流程。根据性能迭代地选择、扩展、评估和更新工作流程。参考metagpt/ext/aflow/scripts/optimizer.py。评估器：评估给定任务的工作流程绩效。提供反馈以指导优化过程实现更有效的工作流程。参考metagpt/ext/aflow/scripts/evaluator.py。FLOW的整体框架：通过设置一个由只有提示参数灵活的节点组成的搜索空间，给定的操作符集合，以及表示边缘的代码，AFLOW在这个空间内执行基于MCTS的搜索。通过为工作流优化设计的MCTS变体，AFLOW迭代执行一个周期的软混合概率选择、基于LLM的扩展、执行评估和经验反向传播，直到达到最大迭代次数或满足收敛标准。
实验数据集
对六个数据集（HumanEval、MBPP、GSM8K、MATH、HotpotQA、DROP）进行了实验，并提供了它们的评估代码。
经AFLOW优化的工作流平均超过所有手动设计方法5.7%，在自动化工作流优化工作中超越了19.5%。在QA、代码和数学领域的六个数据集上，AFLOW实现了平均80.3%的性能，标志着这种方法的能力和可用性。值得注意的是，与类似工作相比，AFLOW在更具挑战性的任务上表现更好，在MATHlv5*和MBPP任务上比ADAS提高了57%，展示了该模型在复杂数据集上的鲁棒性。本文转载自PaperAgent
相关知识
基于蒙特卡洛建模仿真的广州地铁三号线列车发车时间间隔研究
Comfyui Flux全生态工作流使用教程支持云端一键使用 包含Dev GGUF FN4模型CN控制 风格迁移 Hyper加速 Ollama文本润色反推提示词
鲜花怒放之云端美人——广玉兰
设计部个人的工作总结
NocoBase 实战教程 —— 任务管理系统
15种超级耐寒植物推荐，不畏寒潮，新手友好颜值高。#花无缺的花园好物分享
【免费】基于yolov5的番茄病虫害识别资源
我国花卉产业发展的现状与分析
花园浇水面积
“风”篇
网址: o1蒙特卡洛树的风又吹到了Agentic工作流！ https://m.huajiangbk.com/newsview409113.html
| 上一篇: 「图」广州送花网上订花异地配送鲜 |
下一篇: 7个澳洲鲜花预定网站推荐（预定方 |
