AgentCo-op：基於檢索的可互操作多智慧體工作流合成框架

研究人員提出了一種名為AgentCo-op的新型檢索驅動合成框架，旨在大大簡化開放世界科學場景中多智慧體工作流的設計。在人工智慧快速發展的背景下，多智慧體系統已在諸多領域展現出潛力，但其在開放科學中的應用仍面臨挑戰，如缺乏標準化介面和可靠評估指標。AgentCo-op透過從知識庫中檢索可重用的技能、工具和外部智慧體，形成型別化工件，並利用有界自愈機制在發現執行錯誤時對區域性元件進行修復，從而動態生成可執行的工作流。

該框架在開放世界基因組學案例中表現出色。例如，在空間轉錄組學分析中，AgentCo-op能夠協調專門的資料分析和基因集解釋智慧體，實現協作發現；在單細胞多組學資料中，它可以構建並行工作流以進行跨模態標誌物分析。值得注意的是，AgentCo-op無需對現有智慧體或工具進行重新設計，也無需執行全域性拓撲搜尋，顯著降低了系統整合成本。

AgentCo-op的設計使得檢索與搜尋相輔相成：它可以將搜尋得到的工作流結構作為先驗，透過檢索元件進行節點填充和區域性修復，從而最佳化工作流。在包含程式設計、數學和問答任務的六個基準測試中，AgentCo-op在統一骨幹設定下取得了四個最佳成績和最高平均分，同時相對於其他多智慧體基線持續降低了每個任務的執行成本。這些成果表明，檢索驅動合成有望將自動化智慧體工作流設計從侷限於基準最佳化的封閉場景，擴充套件到基於現有智慧體、工具和型別化工件的開放世界應用。

此外，AgentCo-op的輸入可以是一個預先搜尋到的工作流結構，這進一步展示了合成與搜尋的互補性。研究者可以將檢索到的元件作為節點植入該結構，並透過區域性修復來最佳化整體效能。這一特性使得AgentCo-op不僅適用於從頭構建工作流，還能對已有的工作流進行改進和擴充套件。論文的實驗部分涵蓋了程式設計、數學推理和問答等多種任務，全面驗證了框架的通用性和有效性。與現有的多智慧體基線相比，AgentCo-op在四個基準上取得了最佳結果，並在平均得分上領先，同時顯著降低了每項任務的執行成本，這對於實際部署具有重要意義。