At bygge pålidelige AI-automatiseringssystemer kræver i dag manuel konstruktion af agentiske workflows – en proces, der kræver stor ekspertise og er svær at skalere. Et nyt framework fra arXiv, FlowScout, adresserer dette ved automatisk at generere workflows, der integrerer rigtige værktøjskald, baseret på historiske opgaveløsninger og guidet af eksekveringsfeedback.
FlowScout repræsenterer en agentisk workflow som en rettet graf bestående af LLM-noder, værktøjskalds-noder og afhængighedskanter. Det udvinder først en fælles værktøjs-koordinationsskelet fra historiske data og forfiner derefter workflow-topologien gennem Monte Carlo-træsøgning, der bruger eksekveringsfeedback til at forbedre stabiliteten.
Resultaterne er markante: Sammenlignet med tre baseline-metoder (PM4Py, ReAct og AFlow) forbedrer FlowScout korrektheden af værktøjsinvokationer med mindst 92,69% og eksekveringskvaliteten med mindst 17,66%, samtidig med at variationen på tværs af gentagne kørsler reduceres.
For beslutningstagere, der overvejer AI-automatisering, betyder dette, at man kan gå fra manuel, skrøbelig workflow-konstruktion til en mere automatiseret og pålidelig tilgang – især i domæner, hvor værktøjsintegration er kritisk. Det reducerer behovet for specialiseret ekspertise og øger sandsynligheden for, at automatiserede processer leverer konsistente resultater.
