GLOW: Graph-Language Co-Encoding for Agentic Workflow Performance Prediction

doi:10.1109/tsc.2026.3731824

GLOW: Graph-Language Co-Encoding for Agentic Workflow Performance Prediction

2026-09-07

0

PRE

AI

DOI：10.1109/tsc.2026.3731824

原文链接

原文求助

摘要

En 中文

代理工作流（AWs）作为一种解决复杂任务的范式已崭露头角。然而，自动生成高质量AWs仍然成本高昂，因为AW优化需要通过执行评估大量候选AWs，导致高昂的计算成本和延迟。最近，AW性能预测已成为热门研究课题，旨在避免昂贵的基于执行的评价，但现有方法主要使用图神经网络（GNNs）来建模工作流结构，未能充分捕捉代理之间的语义关系。为解决此局限性，我们提出GLOW，一个用于AW性能预测的统一框架，该框架结合了GNN的图结构建模能力和LLMs的拓扑感知语义编码能力。具体而言，首先通过在图理解任务上的指令微调构建一个图导向的LLM，以从AWs的描述性文本中提取拓扑感知的语义表示。同时，GNN显式建模AWs的结构信息并生成相应的结构表示。然后，使用基于Transformer的融合模块在共享潜在空间中融合语义和结构表示。进一步引入对比学习策略，以学习更具判别性的AW表示。在FLORA-Bench基准上的实验表明，GLOW在预测精度和排名效用两方面均持续优于现有最佳基线。此外，当集成到自动AW生成框架AFLOW中时，GLOW在三个数据集上仅导致平均评分下降0.031，就将优化时间减少了98.7%，表明其作为AW优化高效代理评估器的有效性。

Keyword:

Agentic workflows

performance prediction

large language models

graph neural networks

contrastive learning

GLOW: Graph-Language Co-Encoding for Agentic Workflow Performance Prediction

摘要

期刊

机构

引用论文