WorkflowGen：軌跡経験に基づく適応的なワークフロー生成メカニズム

arXiv:2604.19756v1 Announce Type: new Abstract: 大規模言語モデル（LLM）エージェントは、推論オーバーヘッドが高く、トークン消費が多すぎる、実行が不安定であり、ビジネスクエリ、ツールの使用、ワークフローオーケストレーションといった複雑なタスクで過去の経験を再使用できないといった課題に直面しています。従来の手法はクエリごとにワークフローからゼロで作成するため、コストが高い、レスポンスが遅く、堅牢性が低く、そして失敗します。私たちは、トークン使用量を削減し、効率性と成功率を向上させるため、適応的かつ軌跡経験駆動型の自動ワークフロー生成フレームワーク「WorkflowGen」を提案しました。初期段階で WorkflowGen は全軌跡を捉え、ノードレベルとワークフローレベル両方で再利用可能な知識を抽出します。これには、エラーフィンガープリント、最適なツールのマッピング、パラメータスキーマ、実行パス、そして例外回避戦略が含まれます。その後、トラジェクトリ rewriting、経験更新、テンプレート誘導を通じた軽い生成のみを行う閉ループメカニズムを採用します。意味相似性に基づく 3 段階の適応ルーティング戦略は、直接再利用、リライティング生成、完全初期化の間を動的に選択します。大規模アノテートデータセットなしで、リアルタイム計画、静的単一軌跡、基本的なインコンテキスト学習などのベースラインと比較を定性的に行いました。我々の手法は、リアルタイム計画と比較してトークン消費を 40% 以上削減し、前向きなエラー回避と適応的なフォールバックにより中等しい相似性のクエリで成功率を 20% 向上させ、モジュール化されたトレイサブルな経験とクロスシナリオ適応性を通じて導入可能性を高めました。WorkflowGen は、現行のアプローチの主要な限界に対処し、実用的な効率、堅牢性、説明可能性のバランスを達成しました。

arXiv:2604.19756v1 Announce Type: new Abstract: Large language model (LLM) agents often suffer from high reasoning overhead, excessive token consumption, unstable execution, and inability to reuse past experiences in complex tasks like business queries, tool use, and workflow orchestration. Traditional methods generate workflows from scratch for every query, leading to high cost, slow response, and poor robustness. We propose WorkflowGen, an adaptive, trajectory experience-driven framework for automatic workflow generation that reduces token usage and improves efficiency and success rate. Early in execution, WorkflowGen captures full trajectories and extracts reusable knowledge at both node and workflow levels, including error fingerprints, optimal tool mappings, parameter schemas, execution paths, and exception-avoidance strategies. It then employs a closed-loop mechanism that performs lightweight generation only on variable nodes via trajectory rewriting, experience updating, and template induction. A three-tier adaptive routing strategy dynamically selects among direct reuse, rewriting-based generation, and full initialization based on semantic similarity to historical queries. Without large annotated datasets, we qualitatively compare WorkflowGen against real-time planning, static single trajectory, and basic in-context learning baselines. Our method reduces token consumption by over 40 percent compared to real-time planning, improves success rate by 20 percent on medium-similarity queries through proactive error avoidance and adaptive fallback, and enhances deployability via modular, traceable experiences and cross-scenario adaptability. WorkflowGen achieves a practical balance of efficiency, robustness, and interpretability, addressing key limitations of existing approaches.