MetaGPT开源AFLOW，自动优化Agentic Workflow引领LLM高效落地

数智朋克消息，MetaGPT开源社区近日推出了新工具AFLOW，旨在解决大语言模型（LLM）在实际落地中构建和优化Agentic Workflow所需的高昂人力成本。传统上，LLM工作流构建需大量手动操作，包括代码调试、提示词修改和反复测试。AFLOW通过采用蒙特卡洛树搜索（MCTS）技术，全面接管了这一流程的自动化生成与优化，让企业能够大幅提升AI部署效率。

AFLOW的推出依托MetaGPT社区的研发支持，项目由香港科技大学（广州）博士生张佳钇、DeepWisdom研究员向劲宇等共同完成。AFLOW以一系列代码化节点与边缘表示的结构，定义了LLM工作流的各个操作，使之在MCTS算法下成为可搜索的图结构。在此框架中，每个节点通过代码连接，涵盖了模型调用、提示参数、输出格式等要素，自动优化LLM任务性能，并逐步取代人工构建。

在AFLOW中，“操作符”（Operator）简化了智能体工作流的构建难度。通过操作符这一组合模块，AFLOW能够针对常见任务场景预设并复用智能体操作，大大提升了搜索效率。选择、扩展、评估和反向传播是MCTS实现优化的四个阶段，AFLOW不断迭代这些步骤，自动生成适合任务的最优工作流结构。在选择阶段，通过概率机制寻找高潜力节点；在扩展和评估阶段，优化器基于节点经验微调提示词或节点关系，从而测试并评估工作流效果；最后，通过反向传播将评估结果反馈到树结构中，为未来迭代提供参考。

在文本推理任务测试中，AFLOW展现了显著的优化效果。在代码生成（HumanEval、MBPP）、数学求解（GSM8K、MATH）、知识问答（HotpotQA、DROP）等任务中，AFLOW在不同基准测试集上表现出全面领先的稳定性，对比手动和现有自动优化方法平均提升5.7%至19.5%。此外，AFLOW使开发者能够在小模型上实现大模型效果，运行成本仅为GPT-4推理成本的4.55%，该突破性优化为企业AI部署带来经济效益。

AFLOW的广泛适用性不仅限于某个LLM模型，实验结果显示其可迁移至不同任务场景中，在问答、数学和代码生成等任务中表现优异。用户可轻松配置数据集和评估函数，在GitHub开源平台上获取代码及分步指南，快速生成和优化适合自身任务的工作流。AFLOW为企业带来高效、自动化的解决方案，帮助开发者轻松优化任务工作流，显著加快Agentic Workflow的自动化落地进程。