FlowScout to nowa metoda generowania agentowych workflows dla modeli języka, która uczy się z historycznych rekordów rozwiązywania zadań. Zamiast symulować wywołania narzędzi wewnątrz LLM, system tworzy jawne węzły do faktycznego wywoływania narzędzi, co znacząco zwiększa praktyczną użyteczność generowanych workflow'ów. Framework reprezentuje workflow jako graf skierowany zawierający węzły LLM, węzły wywołujące narzędzia i krawędzie zależności.
Proces działania FlowScout polega na dwóch fazach. Najpierw system analizuje historyczne dane zadań i odkrywa wspólny schemat koordynacji narzędzi, budując początkowy workflow. Następnie używa algorytmu Monte Carlo tree search, który jest kierowany feedback'iem z rzeczywistych wykonań, aby iteracyjnie ulepszać strukturę workflow'u. To podejście pozwala systemowi uczyć się nie tylko z kodów błędów, ale z pełnego kontekstu jak narzędzia powinny ze sobą współpracować.
Eksperymentalne wyniki pokazują znaczną przewagę FlowScout'u nad istniejącymi metodami. Wygenerowane workflow'i osiągają poprawę poprawności wywołań narzędzi co najmniej o 92,69 procent i ogólnej jakości wykonania co najmniej o 17,66 procent w porównaniu z trzema metodami bazowymi - PM4Py, ReAct i AFlow. Badania obejmowały cztery reprezentatywne domeny zadań, co sugeruje praktyczną uniwersalność podejścia.