Manus 爆火出圈，引发 Agent 热潮！从自行理解任务、拆解步骤到选择工具并执行，这需要 Agent 具备强大的复杂工作流编排和任务处理能力，而工作流也是智能体的核心技术之一。
尽管大语言模型在多个领域已展现出巨大的潜力，但在工作流编排领域，尤其是在复杂工作流的编排上，仍面临显著挑战。现有大多数模型仅局限于处理节点较少、结构简单的线性工作流，难以满足实际应用中对复杂工作流编排的需求。
为此，清华大学 THUNLP 团队联合人民大学、曼彻斯特大学及武汉大学团队提出了一个全新的、以数据为中心的框架 —— WorkflowLLM，并设计了首个专为提升工作流编排能力而设计的大规模数据集 WorkflowBench，旨在提升LLM在工作流自动化中的复杂工作流编排能力。基于 WorkflowBench 数据集，我们对 Llama-3.1-8B 模型进行了微调，获得了 WorkflowLlama，在各项测评集中， 始终表现优于 GPT-4o 等强基线模型。
WorkflowLLM 框架概述 如上图所示，WorkflowLLM 主要包含三个阶段：
1. 数据收集：首先爬取高质量的工作流数据，并进行筛选和转换，将快捷指令源代码转录为 Python 风格的代码，便于 LLM 处理。利用 ChatGPT 生成注释、任务计划和任务查询，丰富数据集并增强 LLM 的学习效果。（详细内容见下文“WorkflowBench 数据构建“）。2. 查询扩展：使用 ChatGPT 生成更多任务查询，以增加工作流的多样性和复杂性。采样具有代表性逻辑结构的 API 和工作流示例，引导 ChatGPT 生成类似的工作流。3. 工作流生成：最后，基于收集到的真实世界数据，训练一个工作流标注模型。利用训练好的标注模型为扩展后的任务查询生成工作流。对标注模型生成的工作流进行质量确认，确保数据集的完整性。将经过质量确认的合成样本与收集的样本合并，形成最终的 WorkflowBench 数据集。
WorkflowBench 数据构建 图 2 WorkflowBench数据说明，包括任务查询、API文档、任务计划和带注释的工作流代码
WorkflowBench 数据集的构建过程分为三个阶段。首先，我们从真实世界的工作流数据（例如 Apple Shortcuts 和 RoutineHub）中收集样本，并将其转录为 Python 代码。随后，利用 GPT-4o-mini 模型为其生成层次化思维评论。其次，通过 GPT-4o-mini 生成任务查询，以此丰富工作流的多样性和复杂性。最后，借助标注模型生成扩展查询的工作流，并通过严格的质量确认环节，确保数据集的高质量。WorkflowBench 数据集包含 106,763 个样本，涵盖 83 个应用程序中的 1,503 个 API。与现有工作相比，WorkflowBench 不仅包含更多节点的工作流实例，还具备更为复杂的逻辑结构，尤其注重支持多步骤、分支、循环等高级功能的工作流生成。作为首个专注于提升工作流编排能力的数据集，WorkflowBench 为大语言模型（LLM）提供了丰富且复杂多样的训练数据，使其能够更好地应对现实世界中对自动化工作的需求。
如图所示，该数据集覆盖了包括 iOS 内置应用、ChatGPT 在内的 83 个应用，涉及 Utility、Games、Music 等 28 个领域。相关数据说明及统计结果如下：
图 3 工作流类别、包含的应用和操作数量的分布比较。上半部分展示了收集到的原始数据，而下半部分展示了扩展后的数据集分布。
实验结果 基于 WorkflowBench 数据集，我们对 Llama-3.1-8B 模型进行了微调，获得了 WorkflowLlama。实验结果表明，WorkflowLlama 能够有效地编排复杂工作流，并在未见过的API和指令上展现出卓越的泛化能力。此外，WorkflowBench 还在超出分布的任务规划数据集 T-Eval 上表现出了强大的 0-shot 泛化能力，取得了77.5%的F1计划分数。
我们使用 CodeBLEU 指标评估生成工作流的语法和语义质量，包括 BLEU、加权 N-gram、AST 匹配和数据流匹配等四个方面。并用 ChatGPT 作为自动评估器，评估生成工作流是否能够完成用户查询的任务。实验结果表明，在 CodeBLEU 和 Pass Rate 指标上，WorkflowLlama 都取得了 SOTA 的成绩，远超其他模型，包括 GPT-4o 和 Llama-3.1-70B 等大参数的模型。图 4 在未见指令 (ID) 和未见 API (OOD) 场景下，各种模型的性能比较 (%)
此外，我们发现随着工作流复杂性的提升，使用 WorkflowBench 训练得到的 WorkflowLlama 始终表现优于 GPT-4o 等强基线模型。为了评估模型生成不同复杂度工作流的能力，我们根据动作总数、分支和循环数量以及参考代码的嵌套深度对 CodeBLEU 的性能进行了细分。如图 5 所示，随着动作数量或逻辑复杂性的增加，所有模型的性能都会下降，然而，在所有复杂度水平上，WorkflowLlama 的表现都显著优于其他所有模型。图 5 基于动作数量、分支和循环数量以及参考代码嵌套深度的性能比较
实验结果表明，使用 WorkflowBench 训练可以提升 OOD 数据集 T-Eval 的性能。为了进一步评估 WorkflowLlama 的泛化能力，我们在 OOD 基准测试 T-Eval 上进行了实验，该测试广泛用于评估 LLM 利用 API 进行多步决策的能力。如图 6 所示。尽管 WorkflowLlama 在不同的领域和任务上使用不同的 API 进行训练，但在 T-Eval 基准测试中仍然展现出强大的 OOD 泛化性能。且 WorkflowLlama 显著优于未经微调的 Llama3.1-8B 以及更大的开源模型如 Llama-2-70B 和 Qwen-72B。
图 6 在 T-Eval 的 PLAN 任务上 F1 分数的比较。（粗体表示同一类别模型中的最佳分数）
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
