📖标题：WISE-Flow: Workflow-Induced Structured Experience for Self-Evolving Conversational Service Agents
🌐来源：arXiv, 2601.08158v1
🌟摘要
基于大型语言模型 (LLM) 的代理广泛部署在面向用户的服务中，但在新任务中仍然容易出错，倾向于重复相同的故障模式，并显示出显着的运行到运行的可变性。通过特定于环境的训练或手动修补修复故障成本高昂且难以扩展。为了在面向用户的服务环境中实现自我进化的代理，我们提出了WISE-Flow，这是一个以工作流为中心的框架，它通过诱导具有先决条件增强动作块的工作流，将历史服务交互转换为可重用的程序体验。在部署时，WISE-Flow 将代理的执行轨迹与检索到的工作流程对齐，并执行先决条件感知的可行性推理以实现基于状态的下一步动作。在 ToolSandbox 和 τ2-bench 上的实验表明，基础模型有一致的改进。
🛎️文章简介
🔸研究问题：如何将对话代理的历史交互经验转化为可重用的结构化工作流程，以提高工具增强型对话代理在用户服务中的执行效果？
🔸主要贡献：论文提出了一种名为WISE-Flow的框架，将原始服务日志转化为结构化的可重用工作流程，并在执行时为对话代理提供指导，从而减少中间错误并提升成功率。
📝重点思路
🔸论文采用三阶段管道构建WISE-Flow框架，第一阶段收集多源服务日志，第二阶段进行离线工作流诱导以提炼出可执行的程序，而第三阶段在部署时指导对话代理执行。
🔸在工作流诱导过程中，利用对比证据将成功与失败的轨迹进行配对，以明确成功的动作顺序和先决条件，形成结构化的工作流表示。
🔸在执行时，通过进度对齐和先决条件检查，将检索到的工作流转换为可行的下一步指导，确保代理在当前世界状态下选择合适的下一步操作。
🔎分析总结
🔸实验结果表明，WISE-Flow在不同的基础架构和环境中持续表现出强大的性能，验证了其框架的有效性。
🔸结构化经验的使用显著提高了有效性，WISE-Flow在完成任务的单次成功率上大幅提升，表明其能够更好地引导代理选择动作并避免错误。
🔸提取多个轨迹的任务级工作流相比单一轨迹诱导产生了更优秀的工作流，增强了代理的指导效果，表现出一致的性能提升。
💡个人观点
论文的创新点在于通过结构化经验的引入和工作流诱导，显著改善了对话代理在动态服务环境中的表现。
🧩附录
