文章核心观点 - 厦门大学ASC实验室团队提出FlowMAS，已被机器学习顶会NeurIPS 2026录用，将大模型多智能体架构设计转化为可学习的生成问题，用生成流网络（GFlowNet）做发动机，配上好奇心与信息论两件武器，让AI团队搭建方式做到自动、多样、省钱 [2] - 论文标题为FlowMAS: Learning Multi-Agent Workflow Topology via Information-guided Generative Flow Network，论文链接为https://arxiv.org/abs/2609.37151 [4] - FlowMAS的意义在于把如何组织AI团队这件事，从一门手工艺术变成了可学习、可优化、可度量的科学问题 [29] - 当AI员工越来越多，或许最需要被AI化的，正是管理AI本身 [30] 研究背景与问题定义 - 大模型多智能体系统（Multi-Agent System, MAS）是当下火热方向，但组队容易排兵布阵难，同一批AI谁打头阵、谁做总结、谁听谁的、信息怎么流转，这套组织架构直接决定团队战斗力，架构搭得好1+1>2，搭得不好几个AI互相抬杠还不如一个单干 [1] - 论文研究的对象叫大模型智能体工作流拓扑（LLM agentic workflow topology），画成有向无环图（DAG）后，节点是一个个算子（operator），可理解为有具体分工的AI员工，各自带着模型、提示词、工具和内部工作模式（如思维链CoT、自我反思Reflexion、程序员Programmer），边代表信息从谁流向谁 [5] - 再复杂的组织架构都由三种基本积木拼成，包括链式（Chain）流水线，一个干完下一个接上 [5] - 论文要解决的核心问题是面对一个具体任务，如何从组合爆炸的拼法里自动生成最好的那一种 [6] 现有四大路线及其痛点 - 手工派（MetaGPT、LLM-Debate等）：资深工程师凭经验手绘架构，费时费力，换个任务就得推倒重来，像老裁缝一件件手工定制西装 [13] - 搜索派（ADAS、AFlow等）：在巨大设计空间里反复试错、迭代评估，效果不错但极其烧钱，每试一种架构都要真实调用大模型，token如流水，可选算子一多搜索还容易失灵 [13] - 文本梯度派（OneFlow等）：让大模型当教练，看结果写评语、提修改意见，问题是评语太粗，说不清到底是哪一步的结构出了问题，也称为信用分配困难 [13] - 生成派（G-Designer、MaAS、GTD等）：用生成模型直接画架构，是目前表现最强的一类，但所用VAE、扩散模型等发动机本是为生成图像、向量设计，对付不了拓扑这种离散且带复杂依赖的数据，结果生成的架构千篇一律，难以一题一策 [13] FlowMAS核心方法 - FlowMAS选择的核心生成骨架是生成流网络（Generative Flow Networks, GFlowNets），这一框架由图灵奖得主Yoshua Bengio团队提出，最早用于药物分子生成，在离散组合空间里高效探索多样的候选分子 [8] - GFlowNet思想是把整个生成过程看成一张有向无环图上的流，从一片空白开始，每加一个节点、连一条边就是流向前推进一步，训练目标是让每种最终架构被采样到的概率正比于它的奖励（任务表现、成本等综合评分），好架构多生成差架构少生成，多样性被天然保留，正好治了生成派千篇一律的病 [8] - GFlowNet直接搬到大模型多智能体系统上会水土不服，面临结构挑战（只靠最终奖励模型容易扎堆，探索不到足够多样的架构）和信息挑战（分子没有交流问题，而大模型多智能体系统的命脉恰恰是信息交换，多个AI给出的信息可能互补、可能冗余、也可能产生化学反应，直接决定协作成败）[14] - FlowMAS的关键机制创新是别等期末才打分，平时就发过程性奖励，在工作流搭建的每一步就给中间结构评估并注入中间奖励流，并为此重新推导了GFlowNet的流守恒与轨迹平衡约束，让苗子好的半成品架构早早被识别出来 [12] 过程性奖励两大模块 - 好奇心驱动模块（CDM）：给没见过的新结构发奖励，借用强化学习中随机网络蒸馏（Random Network Distillation）的思想，用一个可训练的预测网络去拟合一个固定目标网络的输出，猜得越不准说明这个结构越新奇奖励越高，模型像充满好奇心的探险家专挑没人走过的路网，架构多样性就此打开 [15] - 信息引导优化模块（IOM）：用信息论给协作质量打分，信息打分只在训练阶段使用，部署推理时既不需要标准答案也不需要这些奖励，完全不增加使用成本 [16] - 协同信息奖励：借部分信息分解（Partial Information Decomposition, PID）的思想，把多个上游AI对答案的信息贡献拆成独有的、冗余的、协同的三份，专门奖励1+1>2的协同部分，即单干给不出、重复不算数的增量信息 [21] - 有效信道奖励：把各路上游输出的余弦相似度组成Gram矩阵并计算谱熵，衡量信息是否均匀分布在各条通信通路上，熵太低说明信息挤在少数主干道上存在冗余占位或摸鱼分支，熵高而均匀说明每条通路都在做贡献 [21] 实验评测与性能表现 - 评测阵容为6个公开基准（数学推理GSM8K/MATH、代码生成HumanEval/MBPP、阅读理解HotpotQA/DROP）× 3种大模型底座（GPT-4o-mini、Llama-3.1-8B、Gemma-4-26B）× 15个基线方法 [18] - 在Llama-3.1-8B上，FlowMAS六项平均70.50分，超过最强自动化基线MaAS（67.73）与AFlow（67.55），GPT-4o-mini与Gemma-4-26B上同样全面第一（平均81.40 / 86.92）[22] - 综合三个底座，FlowMAS比手工设计方法平均高8.17分，比现有自动化方法平均高6.12分 [22] - 在较弱的8B小模型上优势尤为明显，说明方法不靠抱大腿，小模型也能组出强队 [22] - 具体成绩：HumanEval 69.6、GSM8K 86.2、MATH 38.8、MBPP 75.6、HotpotQA 73.6、DROP 79.2，平均70.50 [19] 成本与效率优势 - 在HumanEval上，AFlow的推理token消耗是FlowMAS的15倍以上，精度反而低4.5个点，ADAS的训练token消耗更是高达FlowMAS的220倍 [20] - 计算效率对比：FlowMAS训练token为384,278（1.0×），推理token为900,287（1.0×），而ADAS训练token为84,526,998（220.0×），推理token为97,526,460（108.3×），AFlow训练token为6,253,861（16.3×），推理token为13,690,205（15.2×）[23] - DyLAN训练token为5,842,507（15.2×），推理token为25,064,472（27.8×），AgentNet训练token为792,775（2.1×），推理token为451,047（0.5×），SELFORG训练token为853,528（2.2×），推理token为2,755,046（3.1×），MaAS训练token为223,042（0.6×），推理token为1,151,392（1.3×）[23] 消融实验验证 - 把发动机换成VAE、图扩散、Transformer或MLP，性能全面下降，拿掉好奇心模块或信息引导模块成绩同样明显下滑（HumanEval从69.6掉到62.8），换成图编辑距离、ICM、LLM-as-Judge等替代方案也补不回来，两大组件缺一不可 [24] - 不同生成backbone性能对比：FlowMAS（VAE）HumanEval 62.6、GSM8K 81.6、HotpotQA 46.1，FlowMAS（Graph Diffusion Model）55.7 / 80.8 / 50.6，FlowMAS（Transformer）58.8 / 82.5 / 53.2，FlowMAS（MLP）60.3 / 81.1 / 62.9，FlowMAS（GFlowNet, w/o CDM, w/o IOM）62.8 / 82.9 / 67.3 [25] - 模块消融：w/o CDM时HE Acc. 67.3、G8K Acc. 84.9、HQ F1. 72.0、Topo. Count 68，w/o IOM时65.0 / 84.2 / 69.3 / 60，w/o CDM & IOM时62.8 / 82.9 / 67.3 / 21，完整FlowMAS为69.6 / 86.2 / 73.6 / 81 [26] 典型案例 - 在DROP阅读理解任务上，FlowMAS自动演化出了证据抽取—分解—计算—聚合的分工结构并答对题目，而AFlow与MaAS生成的架构无法显式分解证据，双双答错 [27]