Pay for the Fault, Not the Flow: Label-Free In-Flow Multi-Agent Workflow Optimization
无标签流内多智能体工作流优化：按故障而非全流程付费
🧭 无标签多Agent工作流优化 ★ 深度解读
William & Mary · NEC Corporation of America
提出 INFLOWOP，用统一无标签成本驱动多Agent工作流构建与流内局部修复，在 BRAID 上最高较单Agent提升11.97%
📌 工作参考价值（4 点）
- 在推荐/广告多 Agent 编排中引入成本矩阵对手头模型/工具做适配评分；当子任务（如召回、精排、文案生成）没有合适专家时，触发新 specialist 创建而非强行复用，避免不匹配导致的性能损失。
- 为每个子任务定义输入/输出契约（例如召回需满足相关性、精排输出需符合业务格式），运行时用 semantic matching 检测契约破坏，无需标注即可定位故障属于 assignment 还是 decomposition，适合在线无监督场景。
- 局部修复与缓存复用：某一步失败只暂停该步并重跑下游依赖，保留其他成功结果，避免整套 pipeline 重跑；在广告/搜索工作流中能显著降低推理延迟和计算成本。
- 借鉴 Agent card + self-evolving empirical profile：为每个专家模型维护声明能力与历史成功案例画像，仅用成功样本更新画像，用于后续成本估计和路由决策，比仅靠声明能力带来稳定提升。