动态多智能体工作流

DynaFlow

学习自由形式的
多智能体编排

Ruhao Liu, Qi Li, Shizun Wang, Xinchao Wang

按任务设计的协作。
以代码生成、执行并迭代多智能体工作流。

GitHub arXiv Hugging Face 代码案例引用

DynaFlow 总览：两阶段 SFT 训练主智能体；主智能体选择直接作答、调用工具或编写 JavaScript 工作流；冻结子智能体执行研究、推理与验证；结果回传用于下一步决策。 — **DynaFlow 总览。**只训练主智能体。它可以直接作答、调用工具或编写 JavaScript 工作流；冻结的子智能体执行工作流，输出与执行轨迹再用于下一步决策。

88.1%总体准确率 · 688 题

+10.9比最强基线高（百分点）

47%无需工作流直接作答，仅 −0.14 分

全部基于 Qwen3.5-27B · 六个基准 · 查看结果 ↓

简介

协作应当适配任务。

不同任务需要不同的协作方式：有的直接作答最好，有的需要并行探索，有的需要按序推理与验证。DynaFlow 让主智能体自己设计协作：判断何时值得调用工作流，并为当前任务编写程序，定义角色、依赖、信息传递与校验。

方法

工作流即动作。

主智能体为每次协作编写、运行并修订一段程序。

选择与生成

直接作答、调用工具，或编写 JavaScript 工作流。

执行与传递

串行或并行运行子智能体，把输出传给需要它的智能体。

观察与调整

读取输出与执行轨迹，然后作答或发起后续工作流。

训练编排者

两阶段 SFT 只训练主智能体，子智能体保持冻结。

案例分析

工作流内部。

同一道题上 Base 与 DynaFlow 的工作流对比，子智能体相同且冻结。

数学

三种方法，一次独立验证。

任务：统计各位数字非零、数字和为 13 的回文数个数。

Base 使用单个回文数求解器；DynaFlow 并行运行三种计数方法并交给验证器。 — **AIME 2026：回文数计数。**单个求解器 vs. 三种互补计算共同交给验证器。

点击图片可放大。

结果

Base 因计算错误得到 59。DynaFlow 的三个求解器与验证器都得到正确答案 62。

科学

证据与质疑一并保留。

任务：确定反应 A 与 B 的产物，并选出对应选项。

四个化学研究智能体、两次校验与一个决策智能体，对比 Base 的两次串行调用。 — **GPQA-Diamond：反应产物识别。**研究证据与验证结果同时送达决策智能体。

点击图片可放大。

结果

Base 运行两个互不相连的分析。DynaFlow 的校验对初始候选提出质疑，决策智能体综合研究证据与质疑作出判断。

多跳检索

把实体与来源传给下一步检索。

任务：根据投资相关描述确定人物，再检索题目所问的年份。

三条检索路线、候选排序、两次求解与两次校验，无效输出已标出。 — **HotpotQA：人物识别与年份检索。**先识别候选人，再逐一定向求解；带星号的调用未返回有效输出。

点击图片可放大。

结果

Base 直接搜索公司及其成立年份。DynaFlow 先识别候选人物，再逐一检索对应年份。

几何

优化结果交给独立审核。

任务：求到五边形五个顶点距离之和的最小值 m + n√p，并给出 m + n + p。

几何构造、并行优化、表达式拟合、两次审核以及未执行的修复分支。 — **AIME 2025：几何优化。**构造、并行优化、表达式拟合与审核通过中间结果串联。

点击图片可放大。

结果

一个优化器失败并被过滤；两次审核都确认拟合结果，因此修复分支没有触发。

实验结果

两种模式下总体准确率均为最高。

所有设置使用相同的 Qwen3.5-27B 主干、冻结子智能体、工具与运行时。

+10.9对比最强基线 Self-Refine

+11.6对比 AFlow

+12.2对比训练前的同一主智能体

左右滑动表格查看全部基准。

主要结果。总体为全部 688 题的微平均；未给出有效最终答案的运行计为错误。
方法	AIME ’24 30	AIME ’25 30	AIME ’26 30	PolyMATH 200	GPQA-D 198	HotpotQA 200	总体 688
单智能体基线
CoT	96.67	93.33	86.67	83.00	85.35	46.50	74.27
CoT-SC	90.00	93.33	96.67	84.50	85.86	50.50	76.16
Self-Refine	96.67	93.33	93.33	87.50	88.38	48.00	77.18
自动化多智能体基线
AFlow	93.33	96.67	100.00	86.00	87.37	47.00	76.45
未训练的主智能体
Base Direct	93.33	93.33	93.33	74.00	83.33	47.50	71.51
Base + Web search	83.33	73.33	73.33	66.00	79.80	77.50	74.71
Base Dynamic	63.33	63.33	73.33	64.00	77.78	53.00	65.12
Base Forced	76.67	70.00	70.00	70.00	77.78	81.50	75.87
训练后的主智能体（本文）
DynaFlow Direct	93.33	90.00	90.00	87.00	86.87	51.50	77.18
DynaFlow Dynamic	93.33	100.00	96.67	91.50	83.84	84.50	87.94
DynaFlow Forced	100.00	100.00	100.00	90.50	84.85	83.50	88.08

总体为 688 题的微平均。只有 Base + Web search 和工作流设置可以检索，因此 HotpotQA 一列与单智能体基线并非同条件对比。

总体准确率与每题智能体角色数的关系：DynaFlow 从 Direct 的 77.2% 升至 Dynamic 87.9% 与 Forced 88.1%；Base 在 65%–76% 之间；各基线在 74%–77% 之间。 — **总体准确率与协作规模。**单纯增加智能体数量帮助有限。DynaFlow（Dynamic）平均每题 3.44 个角色即达到 87.9%，且 47% 的题目无需工作流。

各基准上 Forced 模式相对 Base（Direct）的准确率变化：未训练时除 HotpotQA 外均下降，训练后六个基准全部提升。 — **工作流只有在训练后才有帮助。**相对 Base（Direct）的准确率变化。未训练时，除 HotpotQA 外工作流均会降分；训练后在六个基准上全部提升。

工作流分析

程序如何利用信息。

Forced 模式下的首个工作流，训练前后对比。

结构与信息利用

串并结合的混合程序从 3.4% 升至 85.6%，97.7% 的程序显式利用上游输出。

六张热力图对比 Base、Stage 1、Stage 2 程序的执行结构、角色分工、依赖模式、输出复用、聚合策略与子智能体数量。 — **各训练阶段的工作流结构与信息利用。**Base、Stage 1、Stage 2 程序的六项结构属性。

工作流设计质量

Stage 2 数据筛选使严重信息流缺陷减半（1.9% → 0.9%），且使用的子智能体更少。

Base、Stage 1、Stage 2 在任务一致性、分解合理性、逻辑连贯性与信息流正确性上的评分分布。 — **工作流设计质量。**评审打分：0 = 严重缺陷，1 = 轻微不足，2 = 无缺陷。

角色随任务调整

数学题以求解器和验证器为主；HotpotQA 中研究者占子智能体的 59.6%。

各基准的子智能体角色饼图：数学以求解器和验证器为主，HotpotQA 以研究者为主，GPQA-Diamond 介于两者之间。 — **随任务变化的角色分配。**按角色统计的已执行子智能体节点占比；三届 AIME 合并统计。

代码

三种运行模式。

Direct

主智能体不调用工作流作答。

Dynamic

主智能体自行判断何时调用工作流。

Forced

每个任务都通过工作流完成。

python scripts/dynaflow.py demo --mode direct
python scripts/dynaflow.py demo --mode dynamic
python scripts/dynaflow.py demo --mode forced

环境配置请参见代码仓库的 README。

引用

如果本研究或代码对你有所帮助，欢迎引用我们的论文：

@article{liu2026dynaflow,
  title={DynaFlow: Learning Free-Form Multi-Agent Orchestration},
  author={Liu, Ruhao and Li, Qi and Wang, Shizun and Wang, Xinchao},
  journal={arXiv preprint arXiv:2610.34467},
  year={2026}
}

本页目录

DynaFlow

学习自由形式的
多智能体编排

协作应当适配任务。