HierFlow：无需训练的智能体工作流自动合成新架构

一篇发表于 arXiv 的研究论文提出 HierFlow，一种面向大语言模型智能体工作流自动设计的训练免费、测试时层级搜索架构。该工作将工作流生成重新定义为拓扑与执行相互交织的搜索范式：在较宏观的拓扑层划定子任务边界，而较低层次的执行结果又会反过来重塑拓扑结构本身，从而缓解以往方法搜索空间庞大、依赖离线训练且灵活性不足的问题。

核心方法

HierFlow 的关键设计包含三个部分。首先，它把工作流合成拆解成「拓扑调整」与「子工作流优化」两层任务，使二者可以基于反馈互相修正。其次，论文引入了一种受 MCTS 启发的树搜索策略，用于在执行层对子工作流进行快速优化。再次，架构内置一个智能门控模块，仅在上下文确有需要时才触发执行层搜索，从而控制整体计算开销。

任务耦合与拆分分析

论文还从理论上对层级拆分的有效性进行了分析，探讨了不同程度的跨任务耦合如何影响层级搜索策略的实际收益。这部分分析为门控模块的触发条件提供了依据：并非所有子任务都需要触发执行层搜索，强行展开反而会带来额外开销。

实验与结果

研究者在三个典型基准上对 HierFlow 进行了系统评测，覆盖：

• 问答（question answering）任务；
• 数学推理任务；
• 代码生成任务。

实验结果显示，HierFlow 在不引入任何额外训练成本的前提下，相对多个强基线取得了更优或更具竞争力的表现，并在结果质量与计算效率之间取得较好平衡。

意义与局限

对于关注智能体（agentic）系统的研究者与工程师而言，HierFlow 提供了一条「无需重训模型、仅在推理阶段组装工作流」的工程路径。不过，由于论文以摘要形式呈现，具体的基准得分、对比模型清单、门控阈值与搜索预算等关键参数尚需查阅正文进一步确认；同时，训练免费的方法在面对高度专业化任务时是否仍然稳健，也有待后续工作验证。