DynaFlow：让多智能体协作从固定流程走向动态编排

导语

多智能体系统的关键难题，往往不只是“能否调用更多模型”，而是“什么时候调用、如何分工，以及怎样让前一步的结果真正影响后续推理”。不少系统依赖固定角色、固定拓扑或预先设计的协作模板，这种方式便于实现，却难以适应任务复杂度和信息流的变化。

DynaFlow 提出了一种更灵活的思路：把可执行工作流的合成直接纳入主智能体的行动空间。主智能体不再被限定在预设流程中，而是可以根据当前问题判断是否需要协作，并生成一段面向具体任务的程序，调度多个子智能体完成推理。

核心要点

• 按需决定是否协作：面对简单问题，主智能体可以直接作答；遇到需要分解、检索或交叉检查的任务，则生成协作流程。
• 支持多种执行关系：工作流可组织子智能体进行串行或并行执行，并通过结构化信息交换传递中间结果。
• 把验证纳入流程：子任务输出不只是最终答案的素材，也可以被后续节点检查、修正和重新利用。
• 根据执行轨迹持续调整：工作流执行结果与过程记录会反馈给主智能体，使其能够在推理推进中改变后续行动。
• 分离编排与执行能力：训练时只对主智能体进行监督微调，子智能体保持固定，目标是专门提升系统的组织和调度能力。

训练过程首先使用蒸馏得到的轨迹进行监督微调，随后再利用经过筛选的数据进行改进。筛选重点包括缺乏依据的前提、带有偏差的验证方式，以及跨阶段信息流存在缺陷的案例。这个设计表明，DynaFlow 关注的不只是工作流“有没有运行”，还关注信息是否被正确传递、验证是否真正发挥作用。

效果与意义

在覆盖数学推理、科学问题回答和多跳检索的六项基准测试中，DynaFlow 在 Forced 模式下取得 88.08% 的整体准确率，相比使用相同 Qwen3.5-27B 骨干模型的最强评测基线提高 10.90 个百分点。工作流分析还显示，训练后系统更频繁地显式使用上游输出，并对这些结果进行验证和进一步细化。

这项工作的价值，在于将多智能体系统的优化重点从“增加多少个代理”转向“如何设计信息流”。一个真正有效的协作系统，需要让每个子代理的产出具备可追踪、可验证和可复用的路径。与此同时，动态编排也带来新的挑战：主智能体可能过度调用子代理，或者在本应协作时选择直接回答。素材中的讨论也提出，应进一步用反事实测试分别衡量不必要委派与跳过工作流的代价。

总体而言，DynaFlow 展示了从静态多智能体架构迈向任务级程序生成的一条路径。它并未试图同时提升所有代理的能力，而是先让一个主智能体学会观察任务、组织执行并利用反馈，这为更高效、更可解释的智能体协作提供了值得关注的框架方向。

来源：Hugging Face Daily Papers