编排层大多是个「失忆」的环节
多智能体系统越来越多地被拿去处理复杂的知识工作，但把它们串起来的编排层，至今大多是个没什么记忆的环节：每来一个新任务，都要重新拆、重新分、重新跑，过去那些跑通过的成功协作，一点没被留下来复用。WorkflowOps（arXiv 2610.07860，10 月 6 日提交）想解决的正是这个浪费——让编排层从历史工作流里学出「谁和谁配合过、配合得好不好」，把协作先验沉淀下来。
它给了三件相互配合的机制。其一，一个转移概率矩阵，从过去的工作流里统计成对智能体的协作频率，在构建有向无环图（DAG）工作流时做软引导：做层内排序优化、按概率阈值建议连边，再做传递约简把并行度拉满。其二，一个由「充分性」驱动的智能体创建循环：用语义匹配分数发现能力缺口，让大模型现场造一个专用智能体，并立刻把它写进协作矩阵，于是新造的智能体马上就能带着预测出的协作先验被用起来。
少调大模型，也能把活分对
其三，是一套分层语义匹配策略：先用预训练的句子向量做快速、确定性的能力匹配，只在低置信时才请大模型做二次确认。这一步把纯靠大模型的路由调用砍掉了 80% 以上。在混合了代码、数学和问答的测试套件上，WorkflowOps 的端到端通过率超过了近期的工作流构建基线，其中结构化、可分解的任务收益最大——因为这类任务的智能体交接模式最容易迁移。
这篇的价值，在于它把「该叫哪个智能体、按什么顺序交接」从一个每次从零拍脑袋的决定，变成了可以跨任务复用的先验。对真正在跑多智能体流水线的团队来说，编排层能不能记住过去的成功，往往比单纯堆更多智能体更影响成本和稳定性。WorkflowOps 给出的方向是：让协作经验先沉淀，再让新任务站在旧经验上起步，而不是每次都从白纸开始。