FlashScript 把重复的 Agent 工作流编译成可复用的神经符号程序
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载重复任务为何要编译
论文指出，许多 Agent 任务会随新数据或小改动反复出现，但 Agent 每次运行都会重新生成推理与动作，结果因此不一致。把上一次运行提炼成 skill 能让 Agent 少犯此前的错误，但每次仍要重跑完整流程，既带来结果波动，也重复付出成本。FlashScript 的思路是把一次成功的运行直接编译成可复用的神经符号程序（NSP），让重复执行不再依赖每次重新推理。
编译后的程序长什么样
编译时，动作与数据变换被写成代码，与具体实例绑定的取值被提取为参数，只有确实需要模型判断的决策才保留为 LLM 调用。作者划分了这类调用所属的三个层次，并提出三种技术把其中大部分替换为代码。编译并不消除不确定性，而是把它集中到少数位置，使确定性程序部分和神经调用部分能够分别审查与测试，这也是它区别于单纯 skill 复用的地方。
实验数字与泛化表现
在 120 个 WorkBench 分析任务上配合 Claude Haiku 4.5，NSP 每次运行都给出正确结果，工具调用完全一致，输入 token 用量约为 skill 引导方式的七十分之一，运行时间约为三分之一，而后者本身运行并不稳定。在任务的复合版本中，skill 引导方式的准确率跌到 23%，输出不一致性进一步上升，NSP 则保持正确且每次一致。此外，NSP 成功泛化到同一模板的全部 108 个未见实例。
对使用者的意义
作者据此提出，从 Agent 轨迹得到的 NSP 可以视为终端用户累积的软件资产，用于在反复出现的工作流中测试、维护和复用。对需要周期性跑同类分析任务的团队而言，这意味着把一次成功经验固化成可审查的程序，而不是每次依赖模型重新推理。
为什么值得看
把重复 Agent 任务从每次重跑推理改为编译成可测试、可维护的程序，并给出 token 与运行时间的具体降幅。
信源1 家
关键事实
FlashScript 把一次成功的 Agent 运行编译成神经符号程序：动作与数据变换转为代码，实例相关取值转为参数，需模型判断的决策保留为 LLM 调用。[1]
编译不消除不确定性，而是将其局部化，使确定性程序与神经调用可分开审查和测试。[1]
在 120 个 WorkBench 分析任务配合 Claude Haiku 4.5，NSP 每次运行正确且工具调用一致，输入 token 约为 skill 引导方式的七十分之一，运行时间约为三分之一。[1]
在复合版本任务中，skill 引导方式的准确率降至 23%、输出不一致性上升，NSP 则保持正确且每次一致。[1]
NSP 泛化到同一模板的全部 108 个未见实例。[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。