Evoflux: Inference-Time Evolution of Executable Tool Workflows for Compact Agents

📄 arXiv: 2606.12674 📥 PDF

作者: Kushal Raj Bhandari, Ling Yue, Ching-Yun Ko, Dhaval Patel, Shaowu Pan, Pin-Yu Chen, Jianxi Gao

分类: cs.AI

发布日期: 2026-06-12

💡 一句话要点

提出Evoflux以解决小型工具代理的执行效率问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 紧凑型语言模型 工具代理 执行效率 进化搜索 工作流修复 自动化调度 智能助手

📋 核心要点

  1. 现有的小型规划器在工具解析和执行时常常失败，导致执行效率低下。
  2. Evoflux通过进化搜索修复可执行工具工作流，利用执行反馈和结构化编辑来提升工具使用的可靠性。
  3. 在MCP-Bench任务中，Evoflux显著提高了执行可行性，从约3%提升至17-24%，表现优于其他方法。

📝 摘要（中文）

紧凑型语言模型（LMs）在工具代理中降低了成本、延迟和部署风险。然而，MCP风格的工具使用不仅仅是孤立的函数调用，代理需要从实时目录中发现工具，满足模式，保持中间输出的依赖关系，并将最终响应基于执行证据进行定位。小型规划器常常生成看似合理的工作流图，但在工具解析、参数验证、依赖追踪或执行时失败。我们提出Evoflux，一种推理时进化搜索方法，将紧凑工具使用视为可执行工具工作流的修复。Evoflux通过结构化编辑、执行反馈、自适应强度、元引导重设计和多样性修剪来进化类型化工作流图。在涵盖实时MCP服务器和250个工具的MCP-Bench任务中，Evoflux将执行可行性从约3%提高到17-24%。

🔬 方法详解

问题定义：论文要解决的问题是小型工具代理在执行过程中面临的效率低下和失败率高的问题。现有方法在工具解析、参数验证和依赖追踪方面存在显著不足，导致生成的工作流图无法成功执行。

核心思路：Evoflux的核心思路是将紧凑型工具使用视为可执行工具工作流的修复过程，通过进化搜索方法来优化工作流图的生成和执行。该方法利用执行反馈和结构化编辑来增强工具使用的可靠性和有效性。

技术框架：Evoflux的整体架构包括多个模块：首先是类型化工作流图的生成，其次是通过执行反馈进行结构化编辑，接着是自适应强度调整和元引导重设计，最后是多样性修剪以确保生成的工作流图的有效性和多样性。

关键创新：Evoflux的主要创新在于其进化搜索方法，能够在执行过程中动态修复工作流图，显著提高了执行的可行性。这一方法与传统的小型规划器相比，能够更好地应对工具目录的变化和执行失败的恢复。

关键设计：在Evoflux中，关键的参数设置包括编辑操作的类型、反馈机制的设计以及多样性修剪的策略。此外，损失函数的设计也考虑了执行的成功率和工作流图的有效性，以确保优化过程的有效性。

📊 实验亮点

Evoflux在MCP-Bench任务中的实验结果显示，执行可行性从约3%提升至17-24%，相比之下，其他方法如SFT和ReAct在相同数据集上的表现不如Evoflux，后者在执行效率和稳定性方面展现出更强的优势。

🎯 应用场景

Evoflux的研究成果在多个领域具有潜在应用价值，尤其是在需要实时工具调用和执行的智能代理系统中。其方法可以应用于自动化任务调度、智能助手和机器人系统等场景，提升系统的执行效率和可靠性。未来，Evoflux的思想还可以扩展到更复杂的多工具协作环境中，进一步推动智能代理的发展。

📄 摘要（原文）

Compact language models (LMs) reduce cost, latency, and deployment risk for tool agents. Yet MCP-style tool use requires more than isolated function calling: an agent must discover tools from live catalogs, satisfy schemas, preserve dependencies across intermediate outputs, and ground final responses in executed evidence. Small planners often generate plausible workflow graphs that fail under tool resolution, parameter validation, dependency tracking, or execution. We argue that this failure mode is poorly handled by small-corpus distillation. A few hundred teacher traces can teach workflow format, but rarely cover the recovery behavior needed to repair failed plans over changing tool catalogs. We introduce Evoflux, an inference-time evolutionary search method that treats compact tool use as the repair of executable tool workflows. It evolves typed workflow graphs through structured edits, execution feedback, adaptive intensity, meta-guided redesign, and diversity pruning. On held-out MCP-Bench tasks spanning live MCP servers and 250 tools, Evoflux raises execution feasibility from roughly 3% to 17-24% across small planners. In contrast, SFT and SFT+DPO on the same search-mined data match, underperform, or collapse below zero-shot performance; ReAct reaches higher peaks, but with higher variance and token cost. These results show that execution-grounded search is more reliable under scarce teacher-trace budgets.