跳到主要内容
检索

# 智能体工作流

12 篇关联报道

订阅更新
  1. medRxiv

    临床研究提问不再逐条手写SQL:智能体流水线在50项儿科骨科查询中与分析师队列对照

    临床研究中的自然语言数据查询过去要由工作人员翻译成可计算规则、挑选数据源并手写院内查询。一个基于大语言模型的多智能体流水线把研究者提交的请求拆成按数据源划分的任务,生成并执行SQL,再结合结构化记录与病历文本判读。在50项儿科骨科查询中,43项完成人工复核,调整后每项请求的中位阳性预测值为0.93、观察并集内敏感度为0.92、F1为0.90。

  2. arXiv

    并行科学代码翻译不再盲目重试:智能体按错误类型分派修复,18组模型与方向全部超过LASSI

    并行科学代码在CUDA、OpenMP与SYCL之间的翻译长期依赖固定顺序的流水线,所有错误都走同一种修复,且正确性只看编译与运行是否通过。一个由裁决驱动的编排器把翻译、编译诊断和执行验证拆成三个智能体,并按失败类型分派补丁、语义、同步或内存修复技能。在30个HeCBench内核、三个开源模型和六个翻译方向上,该流程在全部18个模型与方向组合中取得高于LASSI的验证正确率,同时最多少用52.4%的token。

  3. bioRxiv

    DE-Rigor-Agent给差异表达分析加一道方法筛选:先查假设再跑代码,误用方法带来的FDR膨胀被挡在门外

    批量RNA-seq差异表达分析里,通用大模型智能体往往直接挑DESeq2或edgeR,不检查这些方法的统计假设是否适合手头数据。DE-Rigor-Agent把分析拆成输入标准化、方法筛选、方法执行三段,在执行前用专家整理的方法卡和数据诊断逐条评估六种常用方法并记录保留或排除的理由。在140个模拟数据集上,它的筛选决定与模拟中人为引入的不兼容情形基本吻合,并在不同随机种子间保持稳定;两个Codex基线几乎对所有数据都选DESeq2或edgeR。

  4. Benchling

    Benchling推出Science Foundries:把设计、下单、上机与分析的交接交给智能体团队

    Benchling发布Science Foundries,让科学家与AI智能体按同一份科学数据和上下文分工,端到端运行蛋白质生产、先导化合物优化或工艺改进等流程。使用者先选定流程或目标,再规定哪些步骤由智能体执行、哪些节点需要科学家批准,智能体随后执行与监控工作、协调交接并把关键决策交回科学家。在高通量抗体案例中,设计、克隆、实验室和分析四类智能体分别对接模型、CRO、实验自动化与训练数据,使深夜完成的检测结果在科学家上班前已得到分析。

  5. arXiv

    边缘AI开发不再由人写死流程:智能体自己选下一步,准确率最高升26%、资源降28%

    边缘AI应用开发长期依赖开发者手工编排固定智能体流程,难以应对异构数据模态与多样任务管线。SE2把开发拆成检索、推理、编码、测试四种原子操作,由协调智能体依据当前上下文自主选择下一步,并通过移动端运行时反馈与强化微调持续进化。在IoTBench基准和三个多模态边缘AI应用上,其合成程序相比八个先进基线最高提升26%准确率、降低28%资源消耗。

  6. researchsquare.com

    超声心动图分割只需20例标注:新智能体把左室射血分数误差压到4.33%

    在只有20例本地标注的情况下,一套面向超声心动图视频的智能体框架完成了左心室分割与射血分数估算。它把经低秩适配微调的视频分割基础模型、由掩膜引导的长轴回归模块和自然语言交互层串成一条流程,在Mayo Clinic的98例队列上把射血分数中位绝对误差从5.47%降到4.33%,落在±10个百分点内的病例比例从80.6%升到83.3%。在公开数据集EchoNet-Dynamic上,该框架的分割Dice为0.934,射血分数中位误差为4.24%。

  7. arXiv

    智能体工作流不再每次重造:先攒一个工作流池,再用上下文老虎机按题挑

    智能体工作流的选择被改写成上下文老虎机问题:在五个基准上平均分达到81.37%,MATH上训练阶段token开销至少降低40.55%。

  8. arXiv

    执行代理不再自己判断何时求助:ARIA学会在轨迹中挑点咨询,SWE-bench上以不到一半成本补回68%差距

    ARIA把“何时向更强模型求助”变成一个可学习的顺序决策:在SWE-bench Verified、Terminal-Bench 2.1和电信客服基准上,它以不到Advisor-only一半的成本补回执行器与顾问之间44%到81%的成功率差距。

  9. arXiv

    RFChipAgent 多智能体流程在 GF22FDSOI 60 GHz 宽带 LNA 上自动完成拓扑选择、原理图与测试台生成及闭环尺寸优化,Trial #174 同时满足全部指标

    该工作提出 RFChipAgent——一个由超级智能体协调的多智能体 AI 流程,整合按文档独立 FAISS 索引的多模态 RAG、物理感知拓扑智能体、原理图与测试台自动生成、TPE 加 CMA-ES 的仿真在环尺寸优化,以及带信任评分的仿真数据库;在 GF22FDSOI 60 GHz 宽带 LNA 上完成端到端验证,Trial #174 同时满足全部规格,整个设计活动约 2 小时完成,估计成本 156.20 美元。

  10. arXiv

    研究者将背靠背能量-能量关联器的平台高度从弱耦合重求和到强耦合,并用智能体工作流完成N3LL计算

    该工作将N=4超对称杨-米尔斯理论中背靠背能量-能量关联器的领头与次领头幂对数重求至N3LL精度(含非平面贡献),得到新的次领头幂函数,并将其与共形自举数据和强耦合超引力结果结合,构造出平台高度从弱耦合到强耦合的渐近约束插值;计算由人在回路中的智能体工作流完成。