工作流设计：从手工到自动搜索——AI Scientist、ADAS 与 AFlow，用 MCTS 和 Meta-Agent 搜索最优工作流

开场：工作流的设计空间巨大，应该用算法去搜索

工作流的设计空间巨大。我们应该用算法去搜索，只靠手动设计远远不够。

一句话速览：AI Scientist / ADAS / AFlow，用 MCTS 和 Meta-Agent 搜索最优工作流。

从完全手工的管线设计，到用 MCTS 自动发现最优工作流，Agent 系统的设计范式正在发生根本转变。代码是定义 Harness 的通用语言。

说人话：工作流就是给 AI 安排的做事流程表。就像新员工入职，你得告诉他「先做 A，再做 B，出问题找 C 核对」。以前这张流程表全靠人一步步写。

核心思想：将科学研究的完整流程交给一个 Agent 系统自动完成——从零开始执行一轮完整的研究循环。

管线流程： 提出研究想法 → 写代码 → 跑实验 → 分析结果 → 写论文 → 同行评审

关键创新： 每一步都由 LLM 驱动，形成端到端的自动化科研系统。评审环节引入 LLM-as-judge 进行质量把关。

核心思想：通过多角色协作，自动合成训练数据，使数据难度精确可控：strong solver 能做出，weak solver 做不出。

角色体系： Challenger（出题者）、Weak Solver（弱解题者）、Strong Solver（强解题者）、Verifier/Judge（验证裁判）

关键创新： 用难度差作为数据质量信号——只有同时满足强者能解、弱者不能解的题目才被保留，确保合成数据对提升模型有最大价值。

说人话：手写流程表太累，那能不能让 AI 自己给 AI 设计流程表？ADAS 就是这个思路：雇一个设计师 AI，让它不停画新的流程表、试跑、打分，把好用的留下来。相当于让老师傅带徒弟的工作也自动化了。

Hu et al. 2025 —— ADAS（Automated Design of Agentic Systems）：将 Agent 设计本身视为优化问题。

核心思想：让一个「Meta-Agent」在 Agent 设计空间中自动搜索最优方案，取代手工设计 Agent 架构。这就是「meta-agent search」。

工作机制：

关键创新： 用代码作为 Agent 设计的搜索空间表示，使设计可以被自动生成、修改和评估。

说人话：ADAS 是让 AI 随便发挥想新方案，AFlow 则更进一步，用下棋 AI 同款的棋盘推演法（MCTS，蒙特卡洛树搜索）来找最优流程。就像 AlphaGo 下棋前会在脑子里推演几百步「如果我走这里，对方会怎样」，AFlow 也是在脑子里推演几百种流程改法，哪条路线得分高就往哪边深挖。

Zhang et al. 2025 —— AFlow：将 Agent 工作流表示为图，用 MCTS 自动优化。

核心思想：把工作流表示为有向图——节点是 LLM 调用动作，边是代码中的逻辑操作（条件分支、循环、数据传递）。然后用蒙特卡洛树搜索（MCTS）在这个图空间中自动寻找最优工作流。

MCTS 优化流程：

关键创新： 将工作流设计问题转化为树搜索问题，让 MCTS 的探索-利用平衡机制自动发现好的工作流结构，无需人类手工设计。

第 1 步 · 初始化： W₀: Plan → Execute，得分 52。从最简单的单步工作流开始，没有反思、没有验证、没有并行。

第 2 步 · 扩展： 让 LLM 基于 W₀ 生成三个修改方案：W₁ +Reflect（61）、W₂ +Verify（58）、W₃ +Decompose（55）。

第 3 步 · 评估与选择： W₁ 得分最高（61 > 58 > 55），选它作为下一轮扩展的父节点。

第 4 步 · 再次扩展： 从 W₁ 扩展两个方案：W₄ Reflect×2（65）、W₅ Reflect+Verify（78 🏆）。后者大幅领先！

第 5 步 · 剪枝与收敛： W₃（55 ✗）、W₆（56 ✗）被剪枝。W₅（Plan → Execute → Reflect → Verify → Output）确认为最优方案，比手工设计高出 50%！