近日，公海賭賭船網(wǎng)站旗下公海賭賭船網(wǎng)站問學的研究團隊在預印本平臺 Arxiv 發(fā)布論文《Routine: A Structural Planning Framework for LLM-Agent System in Enterprise》，提出一種名為“Routine”的結構化規(guī)劃框架，旨在解決大模型智能體（LLM-Agent）在企業(yè)專業(yè)場景應用中面臨的三大核心挑戰(zhàn)：場景知識缺乏導致流程編排錯誤、規(guī)劃格式不統(tǒng)一引發(fā)執(zhí)行不穩(wěn)定，以及低代碼方法非AI原生導致的用戶不友好問題。
論文作者：曾冠程、陳雪怡、胡嘉旺、齊少華、毛雅瑄、王展韜、聶一凡、李爽、馮秋陽、邱鵬旭、王鈺佳、韓文強、黃琳琰、李剛、莫晶晶、胡浩文（通訊）
企業(yè)中智能體系統(tǒng)的痛點
論文指出，當前企業(yè)級智能體系統(tǒng)在實際部署中存在顯著瓶頸：
1. 知識鴻溝與工具編排混亂： 通用模型缺乏企業(yè)特定場景知識，難以正確編排工具鏈，：雎怨丶ぞ呃嘈。
2. 規(guī)劃非標準化導致執(zhí)行偏差： 模型依賴泛化理解遵循非標準規(guī)劃，導致規(guī)劃到執(zhí)行的轉化過程不穩(wěn)定。
3. 低代碼方案的局限性： 傳統(tǒng)低代碼方式對非技術人員門檻高，且構建的工作流難以跨場景復用，非AI原生方法效率低下。
為解決這些問題，公海賭賭船網(wǎng)站團隊
創(chuàng)新性地提出了“Routine”規(guī)劃范式
Routine由多個更小、更具體的子任務執(zhí)行步驟組成，子任務是獨立的，但之間又相互關聯(lián)。因此，一條Routine執(zhí)行步驟需要包括足夠信息，讓智能體能夠穩(wěn)定地遵循規(guī)劃步驟，以下是一條完整的Routine子任務步驟組成：
步驟x. <步驟名稱>：<步驟行為描述>，該步驟輸入<入?yún)⒚枋?gt;，輸出<出參描述>，使用<步驟工具>工具；
類似場景下的Routine可能包含重疊的步驟，僅在某些流程段上有所不同，類似于同一工作流的不同分支。在這種情況下，可以通過創(chuàng)建分支步驟和執(zhí)行條件來合并類似的場景，以在一個Routine中設置多個相似的工作流。
步驟x. <步驟名稱>: 本步驟進行分支條件判斷：
分支x-1步驟1. <步驟名稱>：如果<步驟條件>，......，使用<步驟工具>工具；
分支x-1步驟2. <步驟名稱>：......，使用<步驟工具>工具；
分支x-2步驟1. <步驟名稱>：如果<步驟條件>，......，使用<步驟工具>工具；
步驟y. <步驟名稱>：......，使用<步驟工具>工具；
步驟z. <步驟名稱>：......，使用<步驟工具>工具，并結束工作流；
Routine格式作為大語言模型生成規(guī)劃與實際執(zhí)行引擎之間的中間表示層，將每一步工具調用以標準化格式明確表達，涵蓋工具名稱、參數(shù)、依賴關系與執(zhí)行狀態(tài)等關鍵字段，能夠有效提升執(zhí)行模型遵循規(guī)劃的準確性，指導智能體完成多樣化的場景任務。
Routine智能體系統(tǒng)的核心架構
以Routine機制為核心，研究團隊優(yōu)化了智能體系統(tǒng)的設計，包含四大關鍵模塊的優(yōu)化：
1. 規(guī)劃？椋
? 標準化格式： Routine由明確的子任務步驟組成，包含步驟編號、名稱、行為描述、輸入/輸出參數(shù)描述和調用的工具名稱，并且支持分支流程表示。
? AI生成與優(yōu)化： 業(yè)務專家提供流程草稿，模型利用專用提示模板進行優(yōu)化，輸出結構化的自然語言Routine。消融實驗證明，AI優(yōu)化的Routine能顯著提升執(zhí)行準確率，接近甚至部分超越人工標注基準。
2. 執(zhí)行？：
? 小參數(shù)模型：采用小參數(shù)模型，通過指令微調與強化學習等方法訓練，設置對應的多步工具調用獎勵函數(shù)，指導模型適配到場景，增強模型指令遵循能力。
? 上下文工程機制：研究團隊明確了智能體系統(tǒng)解決任務所需要的信息和配置，并構建了對應的上下文模板，其中不僅包含角色定義、任務背景與行為規(guī)范等常規(guī)內(nèi)容，還包含了系統(tǒng)參數(shù)、解決問題對應的Routine規(guī)劃、變量記憶字典、工具列表等關鍵信息；
3. 工具？：
? MCP服務器：使用MCP服務器作為標準化工具層，對工具的名稱、參數(shù)、返回格式進行統(tǒng)一定義和管理。
4. 記憶模塊：
? 流程記憶：存儲專家創(chuàng)建或AI優(yōu)化的場景Routine集合，根據(jù)用戶任務相似度動態(tài)檢索召回最相關的Routine，避免將所有Routine塞入上下文。
? 變量記憶： 將長文本參數(shù)等存儲為變量鍵，執(zhí)行時自動替換為實際值，極大減輕模型上下文壓力，減少參數(shù)傳遞中的符號錯誤。
幾個？橄嗷バ，形成了功能完善的智能體系統(tǒng)，如圖中所示：
文章中總結了以下工作
1. 結構化規(guī)劃范式： 設計了一套結構化的標準規(guī)劃格式“Routine”，顯著提升智能體通過多步工具調用解決復雜問題的穩(wěn)定性。在實際企業(yè)場景中的驗證表明，Routine顯著提升了模型工具調用的執(zhí)行準確性，將GPT-4o的性能從41.1%提高到96.3%，將Qwen3-14B的性能從32.6%提升到83.3%。
2. Routine遵循能力訓練： 為進一步驗證Routine框架的有效性，研究團隊構建了一個Routine格式的指令遵循訓練數(shù)據(jù)集，通過指令微調和強化學習，使其場景特定評估的準確性增至88.2%，表明該框架顯著改善了模型在執(zhí)行計劃方面的遵循性。
3. 基于Routine的數(shù)據(jù)蒸餾：通過知識蒸餾方法生成了一個場景特定的多步驟工具調用數(shù)據(jù)集，在此蒸餾數(shù)據(jù)集上進行微調使模型準確性提高到95.5%，接近GPT-4o的水平。這些結果充分展示了Routine框架在領域特定工具使用模式優(yōu)化和增強模型適應新場景能力方面的有效性。
后續(xù)應用
以AI for Process為核心方向，Routine框架的引入顯著提高了代理系統(tǒng)在企業(yè)場景中的適應性。它不僅優(yōu)化了領域特定工具使用模式，還增強了模型應對復雜任務的能力，為企業(yè)流程的智能化和自動化提供了穩(wěn)健可靠的解決方案。未來，通過在訓練流程中引入強化學習，能更好地提升模型對多樣化場景的流程泛化能力。通過持續(xù)的研究和優(yōu)化，Routine框架有望在未來進一步提高智能體的自主性和適應性，推進企業(yè)智能體在企業(yè)環(huán)境中的廣泛應用。
公海賭賭船網(wǎng)站問學將持續(xù)深耕場景化知識引擎與智能體協(xié)同技術，致力于構建具備更強流程認知與自適應進化能力的企業(yè)級智能體，打通從復雜業(yè)務邏輯到敏捷AI落地的關鍵路徑，為企業(yè)智能化轉型提供堅實、靈活且可規(guī)模化的技術支撐。
版權所有2016-2025 公海賭賭船網(wǎng)站集團股份有限公司，保留一切權利。 京ICP備05051615號-1 
京公網(wǎng)安備 11010802037792號
