AgentCo-op：基于检索的可互操作多智能体工作流合成框架

研究人员提出了一种名为AgentCo-op的新型检索驱动合成框架，旨在大大简化开放世界科学场景中多智能体工作流的设计。在人工智能快速发展的背景下，多智能体系统已在诸多领域展现出潜力，但其在开放科学中的应用仍面临挑战，如缺乏标准化接口和可靠评估指标。AgentCo-op通过从知识库中检索可重用的技能、工具和外部智能体，形成类型化工件，并利用有界自愈机制在发现执行错误时对局部组件进行修复，从而动态生成可执行的工作流。

该框架在开放世界基因组学案例中表现出色。例如，在空间转录组学分析中，AgentCo-op能够协调专门的数据分析和基因集解释智能体，实现协作发现；在单细胞多组学数据中，它可以构建并行工作流以进行跨模态标志物分析。值得注意的是，AgentCo-op无需对现有智能体或工具进行重新设计，也无需执行全局拓扑搜索，显著降低了系统集成成本。

AgentCo-op的设计使得检索与搜索相辅相成：它可以将搜索得到的工作流结构作为先验，通过检索组件进行节点填充和局部修复，从而优化工作流。在包含编程、数学和问答任务的六个基准测试中，AgentCo-op在统一骨干设置下取得了四个最佳成绩和最高平均分，同时相对于其他多智能体基线持续降低了每个任务的运行成本。这些成果表明，检索驱动合成有望将自动化智能体工作流设计从局限于基准优化的封闭场景，扩展到基于现有智能体、工具和类型化工件的开放世界应用。

此外，AgentCo-op的输入可以是一个预先搜索到的工作流结构，这进一步展示了合成与搜索的互补性。研究者可以将检索到的组件作为节点植入该结构，并通过局部修复来优化整体性能。这一特性使得AgentCo-op不仅适用于从头构建工作流，还能对已有的工作流进行改进和扩展。论文的实验部分涵盖了编程、数学推理和问答等多种任务，全面验证了框架的通用性和有效性。与现有的多智能体基线相比，AgentCo-op在四个基准上取得了最佳结果，并在平均得分上领先，同时显著降低了每项任务的执行成本，这对于实际部署具有重要意义。