FlowBank：通过预计算与复用实现查询自适应的智能体工作流优化

FlowBank提出一种全新的智能体工作流优化范式，通过构建可复用的工作流库并在推理时自适应选择，解决传统方法在离线计算与推理成本之间的两难困境。其核心思路是将任务级与查询级优化范式视为互补关系，构建紧凑的互补工作流库，实现性能与成本的平衡。

基于大语言模型的多智能体系统能力强大，但当前工作流优化面临权衡困境：任务级方法离线搜索最优工作流却浪费互补候选，查询级方法为每个查询从头合成工作流导致推理成本极高。本质是需在离线预计算高成本与逐查询生成推理成本间选择。

FlowBank团队发现任务级与查询级范式是互补关系：离线搜索的工作流覆盖不同查询子集，单一最优无法满足所有需求；许多查询可被预计算工作流解决而非昂贵的查询级生成。因此提出新目标：构建紧凑可复用的互补工作流库，推理时自适应选择。

FlowBank通过三阶段解决问题：1.多样化阶段用DiverseFlow算法生成覆盖广泛查询类型的多样化候选工作流；2.精选阶段用CuraFlow算法压缩候选为紧凑组合，最小化冗余保留覆盖能力；3.匹配阶段将查询-工作流分配建模为边值预测，路由查询到预期效用最高的工作流。

在五个基准测试中，FlowBank取得最高平均得分，保持竞争力的成本效率。相比最强自动化基线提升4.26%，相比最强人工设计基线提升14.92%，突破传统性能-成本权衡困境。

对系统架构师：提供高效灵活的智能体系统框架，预计算库降低推理成本；对研究人员：开辟工作流组合优化新方向；对实际应用：客服、代码生成等场景降低运营成本，提升服务一致性。

FlowBank重新思考优化范式，以预计算+自适应选择突破传统局限。核心创新是构建互补工作流库并智能选择，这一思路或启发其他平衡预计算与灵活性的AI场景。未来可探索更先进的多样化策略、压缩算法和路由模型。