WorkTeam: Constructing Workflows from Natural Language with Multi-Agents

📄 arXiv: 2503.22473v1 📥 PDF

作者: Hanchao Liu, Rongjun Li, Weimin Xiong, Ziyu Zhou, Wei Peng

分类: cs.CL

发布日期: 2025-03-28

备注: Accepted in NAACL 2025 Industry Track

💡 一句话要点

提出WorkTeam多智能体框架，解决企业级自然语言到工作流构建难题。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自然语言处理 工作流构建 多智能体系统 大型语言模型 企业自动化

📋 核心要点

  1. 现有基于单一大型语言模型（LLM）的NL2Workflow方法在处理复杂任务时，由于缺乏专业知识和任务切换负担，性能会显著下降。
  2. WorkTeam框架采用多智能体协作模式，通过监督者、编排者和填充者分工合作，有效分解复杂任务，提升工作流构建的准确性和效率。
  3. 论文构建了HW-NL2Workflow数据集，包含3695个真实业务场景样本，并验证了WorkTeam框架在工作流构建成功率上的显著提升。

📝 摘要（中文）

本文提出WorkTeam，一个多智能体NL2Workflow框架，旨在解决现有单智能体方法在复杂任务中因专业知识需求和任务切换压力导致的性能下降问题。WorkTeam包含一个监督者、一个编排者和一个填充者智能体，每个智能体都具有不同的角色，协同增强转换过程。由于目前没有公开的NL2Workflow基准，本文还引入了HW-NL2Workflow数据集，该数据集包含3,695个真实世界的业务样本，用于训练和评估。实验结果表明，该方法显著提高了工作流构建的成功率，为企业NL2Workflow服务提供了一种新颖有效的解决方案。

🔬 方法详解

问题定义：论文旨在解决将自然语言指令转换为可执行工作流（NL2Workflow）的问题。现有方法主要依赖于单个大型语言模型（LLM）作为智能体，但在处理复杂的企业级工作流时，单个LLM往往难以胜任，面临专业知识不足和任务切换压力过大的问题，导致工作流构建的成功率降低。

核心思路：论文的核心思路是将复杂的工作流构建任务分解为多个子任务，并分配给不同的智能体，每个智能体专注于特定的角色和任务。通过智能体之间的协作，可以更好地利用各自的优势，从而提高整体的工作流构建性能。这种分而治之的思想能够有效缓解单个LLM的压力，并提升处理复杂任务的能力。

技术框架：WorkTeam框架包含三个主要智能体：监督者（Supervisor）、编排者（Orchestrator）和填充者（Filler）。监督者负责接收自然语言指令，并将任务分解为更小的子任务。编排者负责根据子任务的依赖关系，规划工作流的执行顺序。填充者负责根据编排者的指令，调用相应的工具或组件，并填充工作流中的具体参数。这三个智能体通过消息传递机制进行通信和协作，共同完成工作流的构建。

关键创新：WorkTeam的关键创新在于引入了多智能体协作的模式，将复杂的工作流构建任务分解为多个子任务，并分配给不同的智能体。这种方法能够有效缓解单个LLM的压力，并提升处理复杂任务的能力。此外，论文还构建了HW-NL2Workflow数据集，为NL2Workflow领域的研究提供了新的基准。

关键设计：WorkTeam框架的具体实现细节未知，论文中可能包含关于智能体之间通信协议、任务分解策略、以及各个智能体内部的prompt设计等关键技术细节。这些细节对于理解和复现WorkTeam框架至关重要，但目前信息不足，无法详细描述。

🖼️ 关键图片

img_0

📊 实验亮点

实验结果表明，WorkTeam框架在HW-NL2Workflow数据集上显著提高了工作流构建的成功率。具体的性能数据、对比基线和提升幅度未知，但摘要中明确指出该方法提供了“一种新颖有效的解决方案”，暗示了其优越性。

🎯 应用场景

WorkTeam框架可应用于各种企业级自动化场景，例如自动化报告生成、客户服务流程自动化、供应链管理等。通过将自然语言指令转换为可执行的工作流，可以显著降低企业构建和维护自动化流程的成本，提高工作效率，并赋能非技术人员参与流程设计。

📄 摘要（原文）

Workflows play a crucial role in enhancing enterprise efficiency by orchestrating complex processes with multiple tools or components. However, hand-crafted workflow construction requires expert knowledge, presenting significant technical barriers. Recent advancements in Large Language Models (LLMs) have improved the generation of workflows from natural language instructions (aka NL2Workflow), yet existing single LLM agent-based methods face performance degradation on complex tasks due to the need for specialized knowledge and the strain of task-switching. To tackle these challenges, we propose WorkTeam, a multi-agent NL2Workflow framework comprising a supervisor, orchestrator, and filler agent, each with distinct roles that collaboratively enhance the conversion process. As there are currently no publicly available NL2Workflow benchmarks, we also introduce the HW-NL2Workflow dataset, which includes 3,695 real-world business samples for training and evaluation. Experimental results show that our approach significantly increases the success rate of workflow construction, providing a novel and effective solution for enterprise NL2Workflow services.