论文一链接：It Takes Workflows to Evolve Better Workflows (FloWright)，项目页 xhguo7.github.io/FloWright 论文二链接：Pay for the Fault, Not the Flow: Label-Free In-Flow Multi-Agent Workflow Optimization (InFlowOp)，项目页 xhguo7.github.io/InFlowOp 发表时间：2026 年 10 月 1 日（两篇同日提交 arXiv） 机构：FloWright = William & Mary + NEC Corporation of America + UIUC；InFlowOp = William & Mary + NEC Corporation of America 机构关系：典型的「高校学生 + 企业实验室合著」——一作 Xuehang Guo 为 William & Mary 博士生，NEC 美国研究院（Haoyu Wang、Haifeng Chen 等）深度参与两篇全部工作；W&M 教授 Qingyun Wang 与 UIUC 教授 Zhenhailong Wang 共同指导。两篇共享四位作者，是同一研究议程的「训练侧 + 运行时侧」姊妹篇。 领域标签：cs.CL / cs.AI，多智能体工作流、Agent RL

为什么把这两篇放在一起读

多智能体工作流（multi-agent workflow）是当前 Agent 领域最热的工程范式之一：把一个复杂任务拆成子任务，让多个专职 agent 分头执行再汇总。但 2025 年以来一系列实证研究给这个方向泼了冷水——Berkeley 的 MAST 研究发现多智能体系统的失败大多源于协调与规格设计而非模型能力（Why Do Multi-Agent LLM Systems Fail?）；Debate or Vote 发现多智能体辩论的增益大部分可以由多数投票解释。多智能体系统到底值不值，成了一个悬而未决的问题。

这两篇论文给出了同一个诊断：不是工作流没用，而是「怎么建工作流、怎么优化工作流、用什么数据评工作流」这三件事都没做对。并且它们把解决方案拆成了互补的两半：

• FloWright（It Takes Workflows to Evolve Better Workflows）：回答「工作流怎么训练」——不止训工作流生成器，而是让工作流中的所有角色（生成器、技能发明者、上下游执行 agent）在工作流自身的 harness 里共同进化。核心数字：多 agent 共进化 +5.03% vs 单角色自进化 +2.83%。
• InFlowOp（Pay for the Fault, Not the Flow）：回答「工作流运行时怎么修」——不重训、不重跑、不需要标注答案，在执行流中就地定位故障、按代价阶梯局部矫正。核心数字：较单 LLM 基线 +18.16~+21.90%，较单智能体最高 +11.97%。

一篇管「训练时的权重更新」，一篇管「推理时的无梯度修复」，合起来是一条完整的工作流优化路线图。下面按七个部分展开。

一、论文背景：多智能体工作流的三重困境

1.1 什么是多智能体工作流

单个 LLM 面对复杂任务时会力不从心：证据散落在多个异构输入（几十页文档、多张幻灯片、多个图表）里，需要长上下文推理和跨步骤的中间结果积累。多智能体工作流的思路是把任务显式拆分（decomposition），每个子任务交给最适合的专职 agent（assignment），按依赖关系编排执行（orchestration）。工作流通常表示为一张有向图 G=(V,E)：节点 V 是 agent、工具或技能，边 E 承载数据流与控制流。

这个方向的自动化经历了三个阶段：早期 MetaGPT、AutoGen 等框架靠人工设计协作流程；随后 AFlow（ICLR 2025 Oral）用蒙特卡洛树搜索在代码空间里自动搜索工作流，ADAS（arXiv:2408.08435）让元 agent「编程」新 agent；最新一代则直接训练工作流生成器——MAS-GPT 用 SFT 教模型生成多智能体系统，W4S（arXiv:2504.04785）用 RL 训练弱元 agent 为强执行器设计工作流。

1.2 困境一：只训生成器，其他角色原地踏步

现有训练方法只优化工作流生成器这一个角色，而实际执行工作流的其他 agent 保持冻结。可是一次执行的结果是由所有角色共同塑造的——生成器画的图、发明者造的技能、执行 agent 跑的每一步都在影响结果。只训生成器，等于让其他角色持续塑造每一次结果却从不从中学习。

为什么不多训几个角色？两个拦路虎：

1. 角色耦合：一个 agent 的输出是另一个的输入。已有工作要么把每个 agent 拉出来单独训（各自面对自己的数据集和奖励），要么只在预先固定的配对结构里共训。单独训忽略了「我的行为塑造了你学到的分布」这层关系。
2. 信用分配稀疏：工作流的产出通常只有一个总分。失败时这个分数无法告诉你哪个 agent 出了错。已有的归因方法要么训一个过程奖励模型（PRM），要么用 LLM 裁判、人工标注、反复重放执行——都要付出额外模型/标注/执行的成本，而且 AgenTracer（arXiv:2509.03312）这类自动归因器即使拿到完整执行轨迹，也只在约三分之一的失败运行里能找到决定性失败步骤。

1.3 困境二：优化按整条流程计价

InFlowOp 的视角补上了另一刀：就算你能定位故障，修复的计价单位错了。现有优化手段——重跑整条工作流、重搜索候选工作流、重训构造器——都以整条流程为单位收费。一条 10 步工作流只有 1 步出错，你要为另外 9 步已经成功的计算再付一次钱（best-of-N 就是典型：4 倍预算换有限增益）。而且故障定位通常需要参考答案或已评分结果，这两样东西在执行进行中根本不存在。

1.4 困境三：评测数据测不出工作流的价值

两篇论文做了几乎相同的先导实验，结论一致：工作流方法普遍在「单智能体已经能解」的数据上训练和评测。

• FloWright 统计了 20 个已发表工作流生成方法用过的 121 个数据集：85 个属于单题数学、短问答、函数级编程——一个合格的单一 agent 一趟就能答对。在这类数据上，MMLongBench-Doc 原始集（200 样本）上工作流 40.50% vs 单 agent 48.00%，DocFinQA 上 33.00% vs 38.00%——工作流反而输。
• InFlowOp 的先导实验（gpt-5-mini，SlideVQA 150 样本）：原始数据上单 agent 54.37% vs 工作流 42.35%（Δ=−12.02），且工作流成本 7.91 倍于单 agent。

任务不够复杂时，协调就是纯开销。这不是工作流的失败，而是评测的失败——这类数据既不能揭示也不能优化工作流相对单 agent 的增量价值。

二、论文定位和关联工作

2.1 研究谱系

2.2 两篇论文的位置

• FloWright 站在「训练生成器」谱系的延长线上，但把训练对象从 1 个角色扩展到任意角色，把训练信号从稀疏单分扩展为结构感知的角色级信用，并补上了这个谱系一直缺失的工作流级评测数据（DATAWRIGHT）。
• InFlowOp 站在「无权重优化」谱系的延长线上，但把优化时机从「执行完成后回放」提前到「执行流中」，把修复单位从「整条流程」缩小到「受影响闭包」，并且全程 label-free。它与 FloWright 共享同一个信念：优化信号不需要额外的模型、标注或执行——工作流自己运行时产生的副产品就够了。

2.3 定位对比表

三、问题定义

3.1 共同的抽象

把两篇论文的具体场景（文档理解、图表生成、金融推理……）全部剥掉，剩下同一个抽象问题：

给定任务分布与一组可组合的计算单元（agent/工具/技能），如何在最小化「构建成本 + 运行成本 + 优化成本」的前提下最大化任务成功率？

两篇的区别在于「优化」作用在哪个阶段、用什么货币计价：

3.2 FloWright 的形式化

任务 x 由生成器 π_g 产出工作流 G，harness H 执行并打分 h(G,x)∈[0,1]。关键宣言是 workflow as harness：h 这一个信号身兼三职——

1. 评估指标（这个工作流打多少分）；
2. 训练信号（任何角色 ρ 的策略 π_ρ 都对 h_ρ 做策略梯度优化）；
3. 测试时目标（无梯度地优化一个可复用先验 P）。

角色（role）ρ 是上下游框架里的任何可优化组件：Generator（画工作流）、Inventor（发明新技能/组件）、Planner、Critic、Downstream agent（执行节点）。每个角色「署名」工作流的一个节点子集 V^ρ_j，这是后面信用定位的基础。

3.3 InFlowOp 的形式化

任务 Q、agent 池 A，构造器 D 产出工作流 W=⟨S,A,G⟩（子任务集、指派、依赖 DAG）。目标是最小化：

• 可靠性成本 R(W)=Σ C(s,a)，其中 C(s,a)=−log p̂(s,a)，p̂ 由「子任务需求 vs agent 能力」的语义匹配度估出，不需要任何标注；
• 延迟成本 L(W)＝关键路径上的延迟之和；
• 创建成本 γ|A⁺|：池中无人能胜任时新建 agent 的罚项。

这个抽象的精妙处在于：「拆多细、谁来做、要不要新建 agent」三个建流决策和「谁背锅、怎么修」两个修流决策，被压缩进同一种货币。粒度不再是模板规定的，而是成本最小化的输出。

四、问题解法

4.1 FloWright：把工作流当作所有角色的进化场

（1）结构感知信用定位：从执行轨迹免费读出「谁的锅」

对第 j 次 rollout 的工作流 G_j，harness 自然记录下执行轨迹 τ_j。从 τ_j 里恢复出每个角色自己署名节点中的根因失败节点集 F^ρ_j（只有真正的根因才计费：有失败依赖的节点算级联失败，信用沿边传给根因；基础设施故障不算策略的锅；循环里早失败但后来恢复的步骤不收费）。然后按「足迹比例」计费：

c^ρ_j = −|F^ρ_j| / |V^ρ_j| ∈ [−1, 0]

角色署名的节点中根因失败占比越高，罚得越重；没有失败则为 0。零额外模型、零标注、零额外执行——因为执行轨迹本来就是 harness 要记录的东西。这一步是共进化得以成立的前提：多个角色共享一次执行，只有当每个角色能被单独计费时，耦合训练才不会互相污染。

（2）分层奖励阶梯：稀疏单分变稠密梯度

奖励按两级轴展开：从「角色自身输出」到「任务结果」，五个自动可验证项加权求和——

关键是所有 validity 奖励都是确定性规则（如「工作流是对池上合法图」「每个节点都产出自己的答案」），刻意排除语义判断式奖励——「语义正确但答错」和「语义粗糙但答对」都存在，只有落地的贡献才值得计分。

（3）四种进化模式：共进化即互为课程

• (a) 单角色自进化：只训 Generator（或 Inventor、Downstream）；
• (b) agent-技能共进化：Generator 和它调用的 Inventor 技能一起训；
• (c) 上下游共进化：建流的和执行流的配对训；
• (d) 多 agent 共进化：任意两个以上角色同训。

共进化的机制本质是 mutual curriculum：每个角色的行为塑造其他角色遇到的训练分布。你变强了，我面对的「题目」就变了；我适应了新题目，又反过来改变你的环境。信用按「自己署名的节点」切割，保证课程互喂但不互相背锅。

（4）测试时元蒸馏：不动权重的持续改进

训练目标是 J(π_ρ)=E[h_ρ]，任何策略梯度法都能实例化（GRPO/DAPO/CISPO 均可，文中锚定 PPO 截断代理目标）。测试时则把成功经验蒸馏成 few-shot 先验 P（内部蒸馏自系统自身经验，外部蒸馏自更强教师 GPT-5.4），角色通过元学习从先验中进化——同一个 harness 信号，训练时驱动梯度，测试时驱动上下文。

（5）DATAWRIGHT：把数据硬化到工作流级

三条无模型参与的规则化硬化策略：

• Shared：把同一输入的 ℓ 个问题捆成一个任务（考分解）；
• Paired：把 ℓ 个各有独立输入的问题捆成一个任务（考路由）;
• Decoy：1 个问题 + (ℓ−1) 个诱饵输入（考定位）。

12 个数据集 × 7 个域 × 自适应策略 × 两个难度级（ℓ=3/5）→ 44 个评估臂，每个测试集至少 100 道原始问题，硬化前先切分训练/测试防止泄漏。硬化效果立竿见影：MMLongBench-Doc 硬化后，工作流 51.61% vs 单 agent 12.33%（+39.28）——证据量超过单个有效上下文窗口后，协调结构才真正产生价值。

4.2 InFlowOp：一种货币，从建流用到修流

（1）Agent Card 与代价矩阵

每个 agent 对评估器呈现一张「卡片」：声明的胜任力（角色、领域、技能与工具的书面简报）+ 自演化画像（执行中积累的成功/失败记录，声明的能力逐渐被观测到的能力补充）。评估器是一个 rubric 式语义匹配器：match(demand, supply)∈[0,1]，为所有「原子任务 × agent」对打分，构成代价矩阵 C=−log p̂。矩阵同时暴露「池缺口」：某原子的最小代价超过胜任线 C̄（默认 0.7）时触发新建 agent（罚项 γ=1.0），新建的 agent 作为新列动态加入矩阵。

（2）COALESCE：粒度是成本最小化的输出，不是预设

双向构建：自顶向下把任务分解到最细的原子 T，自底向上做代价驱动的聚合——每个原子要么 OPEN 开一个新子任务，要么 MERGE 并进已开的子任务，只在「合并更便宜」时合并。束搜索带代价下界剪枝（部分聚合的代价只增不减，下界触底即剪），返回预算 B=20000 次扩展内的最优聚合，再把原子依赖 DAG 提升为子任务图。最终目标：

W★ = argmin Cost(W) = argmin R(W) + βL(W) + γ|A⁺(W)|

（3）契约：让故障在无监督下可观测

COALESCE 不只产出子任务，还给每个子任务留下一份契约：输入条件 σ_in（这个子任务要求拿到什么）和输出条件 σ_out（它应交付什么）。契约说的是「什么应当成立」，不需要知道答案。执行时把观测到的实际输入/输出与声明条件做匹配（复用同一个 rubric 评估器），u(σ,x)=1−match(σ,x)≥ū（默认 0.8）即判定违约：

• 输入条件违约 → decomposition 的锅（子任务没拿到所需输入，换 agent 也救不了，只有重新分解能修）；
• 输出条件违约 → assignment 的锅（子任务没毛病，agent 没交付）；
• 输出完全不可用 → 因果信号，直接判 faulty，无需匹配。

（4）代价阶梯与局部恢复：为故障付费，不为流程付费

矫正动作按代价排序成阶梯：RE-ASSIGN ≺ RE-DECOMPOSE。换 agent 只动指派一项成本；重新分解要重跑 COALESCE、改子任务图、可能新建 agent，贵得多。违约侧决定进入哪一档：assignment 锅从 RE-ASSIGN 进入（代价矩阵里挑下一个最低成本、且尚未在本子任务上失败过的 agent），分解锅直接从 RE-DECOMPOSE 进入（在同一契约下对子任务局部重切，把子 DAG 原位拼接）。每档有预算（各 1 次），矫正只有验证通过才提交（重跑后契约清了才算数），否则回滚——「temper 永不比构建产物流更差」。

恢复也只算局部账：暂停在故障子任务 s_i，矫正只使其受影响闭包 I(s_i)={s_i}∪Desc(s_i) 失效，闭包外的所有已计算结果原样复用。优化一步的价格是局部矫正的价格，被 I(s_i) 而非 |S| 约束。

一个值得细品的反例（论文附录 D.4）：某个「找出哪些图片含所需信息」的子任务，矫正前 agent 报了两个图片（满足契约条件），但两张图都没有所需信息，最终答案错；矫正后 agent 回答「没有任何图片包含所需信息」（违反契约条件），流程据此继续反而得到正确答案。结论：一步的价值由下游决定，不由这一步自身的产品决定——步级评分在这类案例上符号都是反的。这解释了为什么 InFlowOp 坚持用「流程最终结果」来评判一次 temper 的成败。

（5）BRAID 基准

10 个公开数据集 → 14 个 BRAID 数据集 → 19 个评估臂、8 个域（文档/幻灯片/金融/图表/数学/物理/科学/代码）。两种组题法：Distributed（k 个问题各有独立金源 + k−1 个干扰源，共 2k−1 个输入）和 Anchored（k 个问题共享一个金源 + k−1 个干扰源）。四条质控（分离性/可路由性/无泄漏/可回答性）在构造时执行，不满足则任务根本不写入；文件名随机化防捷径。每题按答案类型分别评分（数值/符号等价/文本 F1/多选/列表逐位/代码执行），任务分 = k 题均值——按题计分而非按任务整体计分，否则答对 4/5 题的系统和全错的系统同分。

4.3 两篇方法的互补全景

五、评估指标与实验证据

5.1 FloWright：44 臂上的四种进化模式

主实验设计：训练 Qwen3.5-4B/9B 于 paired 策略 ℓ=3 的 4 个数据集（InfoChartQA-Visual、LongDocURL、SlideVQA-Doc、TACO），评测覆盖 in-distribution（4 臂）/ out-of-distribution（同 4 数据集未见策略与级，13 臂）/ out-of-domain（8 个从未训练的数据集，27 臂）。基线两组：无工具单 agent、带完整工具技能池的单 agent，均与工作流同计算预算对照。

核心结果（总体平均准确率，4B）：

三个层次的结论链：① 未训练的工作流框架本身已超带工具单 agent ≥+11.39%；② 任何进化模式都再涨（各模式最高 +7.41%）；③ 共进化角色越多增益越大：+5.03%（多 agent）> +4.06%（agent-技能）> +3.06%（上下游）> +2.83%（单角色）——这是「互为课程」主张最直接的证据。多 agent 共进化在全部 12 个数据集、全部策略与级上都为正（LongDocURL 最高 +7.34%）。

消融与泛化：

• RL 算法无关性：GRPO +2.83 / CISPO +3.23 / DAPO +3.84，DAPO 在域外领先（+3.69）——信号范式不绑定优化器；
• 奖励阶梯逐层有效：仅 format+answer 时 +0.07~+0.80（几乎不动）；加 validity 是最大单项（GRPO +2.07 / DAPO +2.29）；再加 credit 再 +0.69/+0.75；
• 池动力学是最大单一设计选择：按需增长的动态池比静态池 +4.83；把成功经验蒸馏入池再 +1.44（只留成功的比成败都留的 +0.53 好）；
• capsule 粒度（agent 连带工具技能打包）比 modular 池 +3.83/+3.87，但训练把差距缩小到 +2.16——训练强化了上游应对细粒度设计需求的能力；
• 跨骨干迁移：RL 训过的 4B 角色放进全 9B 环境仍涨，Generator 47.67% / Inventor 47.96% / 双角色 48.50%，全部超过全 9B 基线 47.50%。反方向混合（9B 建流 + 4B 执行）反而 29.57% 低于全 4B 的 32.09%——下游执行能力才是工作流表现的瓶颈，强上游造的精密流程弱下游跑不动；
• 测试时元蒸馏：5-shot 元蒸馏 +2.58%（1-shot 反而低于基线——先验要携带足够证据才能泛化），与训练叠加达 +3.21%；在 GPT-5-mini/GPT-5.4-mini 等从未训练的闭源骨干上也 +1.44~+1.91%。

5.2 InFlowOp：六骨干 × 八域的对照

主实验设计：6 个骨干（Qwen3.5-4B/9B、GPT-5-mini、GPT-5.4-mini、GPT-5.4、GPT-5.6-luna）× BRAID 16 臂（五域），六个系统同池对照：单 LLM / 单 agent / 贪心工作流 / COALESCE / +in-flow / 完整版。计算预算逐任务匹配——单 agent 在每个任务上拿到与对照工作流相同的预算，不平均。

核心结果（五域总平均）：

• 较单 LLM：+18.16~+21.90%；较单智能体 +6.90~+14.15%（最高 +11.97%）；较工作流基线最高 +9.64%；
• 跨度惊艳的对照：InFlowOp 加持的 Qwen3.5-4B（20.81%）超过单智能体形态的 GPT-5.4-mini（17.49%）——组织方式的价值可以顶替骨干代差；最强骨干 GPT-5.6-luna 也从 41.99% 涨到 49.37%，方法在强骨干上不失效。

模块逐级累加（Qwen3.5-9B）：单 agent 17.38 → 贪心工作流 15.49（−1.89，把任务拆了本身不挣钱）→ COALESCE 22.21（+6.72，按代价决定怎么拆才挣钱）→ +in-flow 矫正 23.80（+1.59）→ +自演化画像 25.13（+1.33）。这条消融链直接支撑标题主张：增益不来自「分」，而来自「怎么分」。

关键消融：

• rubric 估计器优于 LLM 估计器（−3.27/−3.85）：两者拿同样的卡片与画像，差别在于 rubric 的分数能真正引导原子匹配与聚合——「算出来的成本」比「判断出来的成本」更能指导构建；
• 动态代价矩阵（新建 agent 入列）优于静态 +3.15/+2.55；动态池（允许新建专家）优于静态池 +4.49/+3.29——「池子封顶了，再怎么改拆法只能挪移缺口」；
• 画像只在记成功时有效：单 run 内演化 +2.54/+1.33/+2.23，跨 run 只留成功再 +1.21/+1.19/+1.30；成败全记反而低于只用卡片——失败只标记「哪里曾跌倒」，不能为定价提供「能信任它做什么」的证据；
• 全局定位（可选全局扫描）很少触发且触发就掉分（−1.63/−1.41）：契约违约已经指明了该修哪里，超出它去修，成本大于回收——局部性不是妥协而是最优。

成本-精度对照（matched 预算）：best-of-N（N=4，4 倍轮次）在全部五个骨干上都被 1× 预算的 InFlowOp 压住（如 GPT-5.4-mini 上 21.25 vs 29.46）——增益来自怎么构建与优化，不来自试多少次。

5.3 实验设计为什么有证明力

• 同预算对照是两篇共同的协议：任何「工作流赢单 agent」的结论都排除了「堆算力赢的」这一替代解释；
• **44 臂三制度（in-dist/OOD/out-domain）**把「背题」可能压缩到 4 个训练臂，27 个域外臂上的增益支撑泛化主张；
• **贪心工作流低于单 agent（−1.89）**这个「负基线」设计很关键：它把「工作流框架本身」与「代价驱动构建」两个因子解耦——没有它，+4.83 的总增益可能被误读为「多 agent 天然有用」；
• 按题计分 + 构造时质控（BRAID）避免了「全对才得分」的评分塌缩与干扰源泄漏的捷径。

六、效果优势的根源解释

6.1 FloWright：为什么共进化赢过单角色训练

因果链（标注：〔实证〕= 论文实验支持；〔推测〕= 阅读者推断）：

1. 〔实证〕基线方法的根本局限：只训生成器时，其余角色持续影响每次结果却不学习——奖励阶梯消融显示「仅 format+answer」几乎不涨（+0.07~+0.80），说明稀疏单分下梯度信息近乎枯竭，单角色训练已经把容易摘的果子摘完了；
2. 〔实证〕执行轨迹中的角色署名信息是免费的——不需要 PRM、LLM 裁判或重放。c=−|F|/|V| 只是把这个已记录的信息读出来变成罚项（+0.69/+0.75 的增量证明这层信号独立有效）；
3. 〔实证〕信用可分 → 多角色可以在同一次执行上各自获得不互相污染的学习信号 → 共进化在机制上可行；
4. 〔实证〕共进化的本质是互为课程：每个角色的改进重塑其他角色的训练分布。证据是增益随角色数单调上升：+2.83 → +3.06 → +4.06 → +5.03。如果是「多训了几个模型」这么简单，增益不应呈现这种与耦合程度相关的单调结构；
5. 〔推测〕validity 成为最大单项（+2.07/+2.29）的原因：它是奖励阶梯中第一个「角色可控」的稠密信号——format 太容易满足，answer 太稀疏，validity 恰好处在「努力就能改善」的甜蜜点上。

外部交叉验证：

6.2 InFlowOp：为什么「按代价构建 + 局部矫正」赢过整流重跑

因果链：

1. 〔实证〕贪心分解（−1.89 vs 单 agent）证明拆分本身不是价值来源——粒度选错时，更细的分解反而增加失败点与延迟。COALESCE 把粒度变成代价最小化的解，+6.72 的反转说明价值在「按池子实际能力定价后决定怎么拆」；
2. 〔实证〕契约把「故障」变成构造时就已声明、执行时可免费检查的谓词——检测不需要参考答案（执行中本来就没有）与训练评估器；
3. 〔实证〕修复被限定在受影响闭包：闭包外的计算复用，优化成本被 I(s_i) 而非 |S| 约束。best-of-N 花 4 倍预算仍全面落败证明「按故障付费 vs 按流程付费」不是修辞而是真实的成本结构差异；
4. 〔实证〕矫正只在验证通过后提交、失败即回滚（「永不比构建产物更差」）+ 全局扫描反而掉分（−1.63/−1.41）共同说明：局部性本身就是信号质量的来源——契约违约提供的定位信息比全局搜索的猜测更可靠；
5. 〔推测〕rubric 估计器胜过 LLM 估计器（省 −3.27/−3.85）的机制：rubric 的打分是可组合、可比较、可增量重算的（每次 MERGE 只重估变化的子任务），而 LLM 整体打分的分数不具备代数结构，难以支撑下界剪枝与阶梯排序——「能进目标函数的分数」比「更聪明的判断」更重要。

外部交叉验证：

6.3 综合判断

多研究共同支持的机制：(1) 稠密、可验证、零边际成本的中间信号是训练/优化的核心瓶颈（FloWright 奖励阶梯 + GiGPO + validity 消融）；(2) 结构化修复优于重复采样（InFlowOp vs best-of-N；GEPA vs GRPO 的 35× 效率证据同向）；(3) 只记成功的经验记忆（两篇独立一致）。

仍属推测的部分：共进化增益单调上升是否会在角色数继续增加时饱和（论文未测超过现有角色集的配置）；rubric 分数的代数结构优势是我们从「可剪枝性」反推的机制解释。

适用边界与失效条件：两篇都依赖「任务有可判定的答案度量」——FloWright 的 h 和 InFlowOp 的 BRAID 评测都以参考答案为锚；开放生成或有状态长程交互场景（InFlowOp 自己在 Limitations 承认）尚无证据。FloWright 的 RL 实验集中在 Qwen3.5 两个尺寸（作者自认局限）；InFlowOp 的物理域上所有方法都 ≤17.34%，说明 toughest 域仍有大量余量未被解释。

七、论文中可以提取的通用性灵感

1. 同一基础设施身兼三用：评估 = 训练 = 优化目标。 FloWright 的 h(G,x) 同时是评测分数、RL 训练信号和测试时优化目标。推广：任何系统只要有一个可验证的产出度量，就可以把「评测基建」直接变成「学习基建」——数据管线、评测器、训练目标三套系统合一，维护成本和一致性都受益。场景：代码仓库的 CI 既是质量门又是 RL 奖励；推荐系统的离线评测器直接做策略学习的 critic。

2. 副产品信号免费化：在已有流程的记录里找学习信号。 执行轨迹 τ 是 harness 本来就要记的，署名结构（谁写的节点）是工作流本来就要维护的——c=−|F|/|V| 把两者合成零成本信用。推广：先问「我的系统已经在记录什么」，再问「还要不要新建监督」。多数系统的日志里埋着未开发的监督信号。场景：数据库慢查询日志做索引调优的训练数据；客服对话记录做话术进化的奖励。

3. 为故障付费，不为流程付费：修复的计价单位要小于系统的计价单位。 InFlowOp 的受影响闭包 I(s_i) 把优化成本与故障大小对齐（闭包外复用），代价阶梯保证永远先试最便宜的修法。推广：任何有「局部失效→全局重算」模式的系统都值得问一句「重算的范围能不能缩到失效闭包」。场景：编译器增量编译、微服务局部重部署、数据管道的断点续算。

4. 共进化即互为课程：耦合系统的增益来自训练分布的互相重塑。 +5.03 > +2.83 的单调阶梯证明「一起学」不只是「分开学加起来」——每个角色的进步改变其他人面对的题目。推广：任何多角色/多模块联合优化（模型+工具、规划器+执行器、教师+学生）都可以问「我的输出是不是在给他出题」。场景：红蓝对抗安全测试、生成器-判别器协同、产品经理-AI 助手协作流。

5. 基准必须配得上系统的复杂度：在太简单的问题上，复杂系统是纯开销。 两篇用各自先导实验证明同一件事：单 agent 可解的数据上工作流倒贴（−12.02 / −7.50），硬化后反超（+38.17 / +39.28）。推广：评估一个「更复杂的方案」之前，先确认基线方案在评测集上真的会失败——否则测的是开销不是价值。场景：分布式系统评测要用单机撑不住的负载；多模态模型评测要用单模态解不了的题。

6. 经验记忆只留成功：失败标记「哪里不行」，成功才定义「能信任什么」。 FloWright 的池蒸馏（成功 +1.44 vs 成败全记 +0.53）与 InFlowOp 的画像（成败全记低于无画像）独立得出同构结论。推广：构建任何自演化档案（agent 画像、员工技能档案、供应商评估）时，正面证据的边际价值高于负面证据——失败只排除一个点，成功刻画一个区域。场景：技能矩阵管理、检索增强里的正例库、自动化测试的黄金用例集。

7. 组织方式可以顶替骨干代差：小模型 + 好结构 > 大模型 + 裸奔。 InFlowOp 的 Qwen3.5-4B（20.81%）超过单智能体 GPT-5.4-mini（17.49%）；FloWright 的 RL 训练把 4B 角色送进全 9B 环境还能超过全 9B 基线。推广：算力受限场景下的一个务实路线——把预算花在「怎么组织模型」而不是「更大的模型」上。场景：端侧小模型的多 agent 编排、低成本自动化管线。

附：一图总结

                 多智能体工作流优化：同一议程的两侧
                ┌────────────────────────────────┐
                │     FloWright（训练侧）         │
                │  workflow-as-harness：          │
                │  h = 评估 + RL训练 + 测试时蒸馏  │
                │  信用 c=−|F|/|V|（零成本）       │
                │  共进化 +5.03 > 单角色 +2.83     │
                │  DATAWRIGHT：44 评估臂          │
                └──────────────┬─────────────────┘
                               │ 同一团队 W&M + NEC
                ┌──────────────┴─────────────────┐
                │     InFlowOp（运行时侧）        │
                │  单一代价货币：建流 + 修流        │
                │  契约检测 → 代价阶梯矫正         │
                │  RE-ASSIGN ≺ RE-DECOMPOSE       │
                │  闭包内修复，较单agent +11.97%    │
                │  BRAID：19 评估臂               │
                └────────────────────────────────┘
        共同信念：优化信号藏在系统自己的运行副产品里，
        不需要额外的模型、标注或执行。

两篇合读的最大收获不在任何一个数字，而在一个方向感：当「多智能体是否有用」还在争论时，这个团队已经把问题改写成「在什么条件下有用、怎么让有用变得便宜」——工作流级的数据（DATAWRIGHT/BRAID）保证条件成立，零成本信号（轨迹信用/代价矩阵）保证便宜。剩下的，交给共进化。