MoFlow：多目标智能体工作流生成

作者：Yining Lu、Aurelie Lozano、Xi Yang、Naoki Abe、Yu Deng、Meng Jiang 发布：2026-09-29 · arXiv:2609.38294

一句话总结

MoFlow 生成的工作流在推理期即可在准确率、成本、延迟、鲁棒性等目标间权衡调节，无需为每种权衡重新训练一个生成器。

问题：生产系统都只优化准确率

现有工作流生成器在训练时就锁定单一目标（或手工调权的加权和），意味着想改准确率/成本的权衡，就得重训一个模型。

结果是大多数生产级 agentic 系统都做同一个隐式选择：只优化准确率，忽略成本和延迟，直到它们变成运营事故。

方法

• 训练单个以偏好向量（目标空间中的一个方向）为条件的生成器
• 推理期调整权重即可在 准确率 / 成本 / 延迟 / 鲁棒性 / 一致性 之间可预测地平移工作点
• 基于 flow 的生成 backbone，产出多样的 Pareto 最优候选

关键发现

1. MoFlow 在所有评测目标对上都能产出位于或接近 Pareto 前沿的工作流，优于会塌缩到权衡空间某个角落的单目标 baseline
2. 推理期调整偏好向量能可预测地改变工作点——准确率与成本的权衡无需重训
3. 此前常被忽略的鲁棒性与一致性，也能与准确率、延迟一起联合优化
4. 单个 MoFlow 生成器在各自目标上匹配或超过任务专用生成器，同时还能给出多个其他 Pareto 点
5. 框架可跨工作流类型泛化：串行链、分支 DAG、工具增强流水线

实践价值

如果你在热路径上用前沿模型、便宜步骤用小模型，你其实已经在解一个多目标工作流问题，只是没有工具。MoFlow 把这套路由逻辑形式化，支持端到端优化，而不必按任务类型手工调模型分配。

论文：MoFlow: Multi-Objective Agentic Workflow Generation（arXiv:2609.38294）