论文地址：https://arxiv.org/abs/2410.10762
因此，AFLOW 要解决的问题，就是把这个琐碎复杂的过程交给 AI.
AFLOW 的目标是在特定的任务下，找到一个最佳表现的工作流，这些任务可能是求解数学题，根据需求完成代码或者是从一个长上下文中进行多步的推理。
但是呢～无论是哪一类问题，它们的优化起始点都应该是没有工作流，这样的目的是所有问题的起点都可以归于一个状态，这样我们无需由于更换问题类型和原因而担心起始状态的配置。
随后，AFLOW 通过 MCTS（一种搜索算法）的四个主要步骤进行迭代：选择、扩展、评估和反向传播。这样，它能持续不断地迭代，优化工作流。
接下来，我们把 AFLOW 的优化过程，想象成在研究一道新的美食，需要一步步调配食材，AFLOW 也在不断调整 workflow，直到做出最美味的结果。
1. 回忆选择阶段（选择）
AFLOW 每一轮迭代开始时，都会翻翻自己的食谱笔记本(认真脸)。“今天要做什么美食呢？”一边回忆着之前成功的配方，一边也充满好奇地张望着没试过的新食材(〃’▽’〃)。
有时它会选择最拿手的招牌菜，有时又会大胆尝试全新的配方。在熟悉与创新中寻找最完美的味道！
2. 美味创新阶段（扩展）
有了主意后，AFLOW 就会进厨房啦！以回忆起的某个版本美食为基础创新。“这道菜也许可以加点新香料～”， “这个酱料再调整一下～”。
3. 品鉴评定阶段（评估）
端出新出炉的美食后，AFLOW 会特别认真地品尝每一口。要确认味道是否美味，还要看看火候是否恰到好处，摆盘是否精致。
4. 经验积累阶段（反向传播）
每次烹饪后，AFLOW 都会仔细记录这次的心得，“这道菜的火候要小一些更好”、“那个配料的比例可以再高一点”…像写食评一样详细记录，为下一次的创新积累经验。
渐渐地，它的美食笔记本就会变得越来越厚，厨艺也会越来越精湛！（经验积累的过程）
AFLOW 带来的 Agentic 工作流变革
1. 显著的性能优势
在评估时，我们也需要让 AFLOW 参加各种的美食大赛（在不同 Benchmark 上跑测）与其它制作美食的方法进行比拼。
比赛分成三个美食组别：
🍝 代码美食组（考验基础厨艺的 HumanEval 杯和进阶技巧的 MBPP 杯）
🧮 数学美食组（需要精确计算的 GSM8K 杯和高难度的 MATH 杯）
📚 知识美食组（考验综合能力的 HotpotQA 杯和创新能力的 DROP 杯）
(◍•ᴗ•◍) 比赛成绩超级棒哦！
1. 比其他人类手动烹饪的分数平均高出 5.7 分！
2. 比其它机器人做菜的方法更是高出了 19.5 分！
最厉害的是，在所有六个比赛项目里，AFLOW 都拿到了特别好的成绩，不管是简单的家常菜，还是复杂的创新料理，都完成得特别出色！
2. 显著成本降低
之前大家都觉得要做出米其林级别的美食，一定要去请最厉害的厨师（像 GPT-4o 这样的大模型）。
但是！AFLOW 发现了一个超厉害的省钱秘诀。
只要掌握了完美的烹饪工作流，去找一个普通的厨师（像是gpt-4o-mini）也能做出一样美味的料理呢！而且…
✨只需要花以前 4.55% 的钱✨
这样一来，不管是小餐厅还是大饭店，都能用平价食材做出超级美味的菜啦！
3. 自动化的效率提升
AFLOW 彻底改变了传统的人工调试模式！通过自动化的工作流生成与优化机制，让我们不必再在电脑前苦苦等待，开发者也不再需要花费大量时间进行反复调试和优化，系统能够自动发现最优的工作流组合，大幅缩短了开发周期。
我们完全不再需要手动设计工作流了？
回到我们最初的问题，这个工作是否代表未来我们再也不需要设计 workflow？
特工鲸鱼觉得答案是否定的，至少短期内还没有那么快。
为什么这样说呢？
人类在设计工作流时，往往没有明确的反馈，我们在靠着自己的创意设计不同的工作流，例如文案的生成，图像生成或者是一些搜索工作流，这些任务并不像算算术，写代码有明确的“正确”和“错误”的反馈，它更多来自于我们人类的经验和对世界的理解与认知，这些领域都是 AFLOW 还未解决的问题，即在没有明确反馈信息的任务上自动优化。
值得欣喜的是，虽然从学术领域的有效转向落地还需要一定的时间，上面的问题也还需要解决，但这个过程来的不会太慢。
我们已经将代码开源，并且我们相信如果 AFLOW 作为一个 Agent 能设计迭代一个新的 Agent，在我们的进一步优化下，也许 AFLOW 可以实现设计和迭代自己，达到“自我进化”的最终目标。
目前，我们已在 GitHub 上开源了完整代码。用户可通过自定义 Benchmark 与数据集，快速为个性化任务搜索最佳性能或性能成本平衡的工作流方案，帮助个人和企业节省大量时间。
项目地址：https://github.com/geekan/MetaGPT/tree/main/examples/aflow
最后放一个腾讯元宝 AI 总结生成的海报！
原创文章，作者：特工宇宙，如若转载，请注明出处：https://www.agent-universe.cn/2024/11/21681.html
