论文名称：AGENT WORKFLOW MEMORY
代码地址：https://arxiv.org/pdf/2409.07429

当你打开旅游网站预订机票时，会下意识地遵循一套“流程”：先输入出发地和目的地，选择日期，筛选航班，填写乘客信息，最后付款——这套重复使用的步骤，本质上是人类从经验中提炼的“工作流”（Workflow）。正是这些可复用的流程，让我们能高效解决复杂问题。

但对于当前基于语言模型（LM）的AI智能体来说，这类“长周期任务”却常常是噩梦。无论是网页导航、APP操作还是复杂决策，智能体往往在多步骤、高动态的环境中迷失方向，因为它们缺乏人类那种“从经验中提炼流程、用流程指导行动”的能力。

为了填补这一 gap，来自卡内基梅隆大学和麻省理工学院的研究者提出了Agent Workflow Memory（AWM）——一种让AI智能体像人类一样学习、存储和复用工作流的方法。在覆盖1000+任务、200+领域的网页导航基准测试中，AWM将任务成功率相对提升了24.6%（Mind2Web）和51.1%（WebArena），同时大幅减少了完成任务的步骤。

今天，我们就来深入拆解这一突破性方法，看看它如何让AI智能体真正学会“积累经验”。

一、AI智能体的“阿喀琉斯之踵”：为什么长周期任务如此棘手？

基于语言模型的智能体正在快速进化，从网页导航到手机APP操作，它们已能处理不少数字任务。但在需要多步骤、复杂轨迹的“长周期任务”中，现有方法却屡屡碰壁。

问题的核心在于智能体缺乏“经验沉淀”机制：

• 现有方法大多依赖固定示例（通过训练或上下文学习注入），只能处理与示例相似的任务，一旦环境或任务稍有变化就会失效。比如，学会了“在亚马逊买猫粮”的智能体，可能无法完成“在京东买狗粮”的任务，因为它没学会抽象出“搜索商品→筛选→下单”的通用流程。
• 智能体解决每个任务时都是“从零开始”，不会从过去的成功或失败中提炼规律。人类能记住“先登录再付款”，而智能体可能每次都尝试“未登录直接付款”，浪费大量步骤。

正如论文中指出的：“当前智能体无法掌握拆解复杂任务的关键——从相似任务和环境中提取可复用的工作流。”

二、AWM：让智能体拥有“工作流记忆”的核心原理

AWM的灵感源自人类的认知模式：从经验中诱导（Induce）可复用的工作流，再用这些工作流指导未来行动。它的核心是构建一个动态更新的“工作流记忆库”，让智能体在解决任务时不再孤立决策，而是能调用过去沉淀的“经验流程”。

2.1 什么是“工作流”？

在AWM中，工作流被定义为“带有目标描述的可复用步骤序列”，包含两个核心部分：

• 描述（Description）：用自然语言总结工作流的目标，比如“通过名称查找地点”“获取某地的邮政编码”。
• 轨迹（Trajectory）：完成目标的具体步骤，包括环境观察、推理过程和执行的动作。例如，“查找地点”的轨迹可能是：“在搜索框输入名称→点击搜索按钮→从结果中选择目标→确认位置信息”。

这种结构让工作流既能被智能体理解（通过自然语言描述），又能直接指导行动（通过具体步骤）。

2.2 AWM的“诱导-应用”循环

AWM的运行机制可分为三个关键步骤，形成一个持续迭代的闭环：

步骤1：从经验中诱导工作流

智能体通过“经验”（已完成的任务轨迹）提炼工作流。这些经验可以来自训练数据（离线场景），也可以来自实时解决的测试任务（在线场景）。

诱导过程的核心是抽象与泛化：

• 从具体任务中提取共性子流程。例如，从“买猫粮”“买狗粮”“买猫砂”等任务中，提炼出“在电商平台搜索商品”的通用工作流。
• 替换示例特定信息为变量。比如，将“搜索‘猫粮’”抽象为“搜索‘{商品名称}’”，让工作流能适配不同场景。

论文中采用了两种诱导方式：

• LM-based诱导：通过提示语言模型（如GPT-4）从经验中提取子流程，强调“细粒度”和“去示例化”。
• 规则-based诱导：通过固定规则（如提取重复的动作序列、过滤无效步骤）生成工作流。

实验显示，LM-based诱导更高效，能产生更细粒度的工作流，减少冗余步骤。

步骤2：构建动态工作流记忆库

诱导出的工作流会被存入“工作流记忆库”，与智能体的原始记忆（如内置动作说明）结合，形成增强记忆（Mₐ）。这个记忆库不是静态的：

• 离线场景中，智能体先从训练数据中诱导所有工作流，再用固定的记忆库解决测试任务。
• 在线场景中，智能体边解决测试任务边更新记忆库：每完成一个任务，就从中诱导新工作流并加入记忆，让后续任务能直接复用。

这种动态性让工作流记忆库能随经验增长而丰富，形成“滚雪球效应”——简单工作流（如“查找地点”）会成为更复杂工作流（如“获取邮政编码”）的子目标，逐步构建出层级化的流程体系。

步骤3：用工作流指导任务解决

当智能体面对新任务时，会先从记忆库中匹配相关工作流，再结合当前环境生成动作。例如，接到“查询纽约邮政编码”的任务时，智能体会调用“通过名称查找地点”的工作流定位纽约，再调用“获取邮政编码”的工作流提取信息，而不是重新设计每一步动作。

2.3 离线与在线：AWM的两种灵活模式

AWM的一大优势是适配不同场景，无论是有大量训练数据的离线场景，还是只有实时任务的在线场景，都能有效工作：

• 离线AWM：先从训练数据中诱导工作流，再将整个记忆库注入智能体。适用于有高质量标注数据的场景，例如用历史网页导航数据预先构建“电商购物”“航班预订”等领域的工作流。

• 在线AWM：无需训练数据，智能体在解决测试任务时“边做边学”。每完成一个任务，就从中诱导新工作流并加入记忆库，让后续任务能直接复用。这种模式特别适合数据稀缺或任务分布多变的场景（如新兴网站、动态更新的平台）。

三、实验验证：AWM如何碾压基线方法？

研究者在两个权威网页导航基准上测试了AWM的性能：

• Mind2Web：涵盖200+网站、1000+任务，涉及购物、旅游、社交媒体等领域，强调跨场景泛化能力。
• WebArena：包含812个任务，覆盖电商、社交论坛、代码仓库、内容管理系统等5类网站，支持严格的功能正确性评估。

实验结果显示，AWM在成功率、效率和泛化能力上均大幅超越现有方法。

3.1 在WebArena上的突破：超越人类设计的工作流

WebArena的任务需要智能体完成复杂操作（如在Reddit发帖、在GitLab查看代码贡献者、在地图上计算路线等）。AWM在在线模式下（无训练数据，边测试边学）的表现如下：

• 整体成功率提升51.1%：AWM的总成功率达到35.5%，远超基线方法BrowserGym（15.0%），甚至超过了使用14个人类专家设计工作流的SteP方法（33.0%）。
• 效率更高：AWM平均用5.9步完成任务，比BrowserGym（7.9步）少2步，比需要反复评估修正的AutoEval（46.7步）效率提升近90%。
• 全网站覆盖：在5类网站上，AWM的成功率均显著提升，其中地图类任务提升最明显（从25.5%→43.3%），证明其跨领域适用性。

更值得关注的是，AWM的性能会随解决任务数量增加而持续提升。如图1所示，在WebArena的地图任务中，随着示例增多，AWM与基线的差距从0扩大到22.5个百分点，形成“越用越好用”的效果——这正是人类“经验积累”的AI体现。

3.2 在Mind2Web上的泛化：跨任务、跨网站、跨领域的稳健性

Mind2Web更强调智能体在未知场景的表现。AWM在离线和在线模式下均展现出强大的泛化能力：

• 离线模式：从训练数据中诱导工作流后，AWM在跨任务测试中，步骤成功率达到45.1%，比基线方法Synapse（30.6%）提升47.4%，元素选择准确率（50.6%）比MindAct（41.6%）高9个百分点。
  
• 在线模式：在无训练数据的情况下，AWM在跨网站（如从亚马逊到百思买）和跨领域（如从购物网站到社交论坛）测试中，成功率比基线高8.9-14.0个百分点，且任务分布差距越大，AWM的优势越明显。
  

为什么AWM泛化能力更强？关键在于工作流的“抽象性”：它存储的是“搜索商品”而非“搜索猫粮”，是“点击确认按钮”而非“点击亚马逊的确认按钮”，这种去具体化的表示让工作流能适配新环境。

3.3 工作流的“层级进化”：从简单到复杂的能力积累

AWM的核心优势之一是能基于已有工作流构建更复杂的流程，形成类似人类“技能树”的层级结构。

论文中给出了一个典型案例：

1. 智能体先从几个任务中诱导出“通过名称查找地点”的基础工作流（步骤：输入名称→搜索→选择结果）。
2. 当遇到“获取某地邮政编码”的新任务时，智能体调用“查找地点”作为子流程，再新增“从地点信息中提取邮政编码”的步骤，形成更复杂的工作流。
3. 后续若遇到“计算两地距离”的任务，又能以“查找地点”为基础，添加“输入起点和终点→选择交通方式→计算距离”的步骤。

这种“积木式”构建让智能体的能力随经验增长而指数级提升，而基线方法由于缺乏这种层级积累，性能很快陷入停滞。

四、深入探究：工作流的“最佳形态”是什么？

为了让工作流更有效，研究者还探索了工作流的表示形式、环境交互方式等细节，得出了一些有趣结论：

4.1 文本vs代码：哪种格式更适合工作流？

工作流可以用自然语言描述（如“点击搜索框，输入名称”），也可以用代码式动作（如“click(‘search-box’); type(‘{name}’)”）。实验显示：

• 两种格式性能接近：文本格式在元素选择准确率上略高（51.2% vs 50.6%），代码格式在任务成功率上更优（4.8% vs 3.6%）。
• 核心是“可理解性”：只要能被智能体解析并调用，无论是文本还是代码，都能有效增强记忆。

4.2 环境信息：自然语言描述比HTML更有用

工作流中需要包含环境状态（如网页信息），但如何表示这些状态更有效？实验对比了三种方式：

• 自然语言描述（如“当前页面显示搜索结果列表”）。
• 网页HTML代码（过滤后的相关元素）。
• 两者结合。

结果显示，自然语言描述效果最好：步骤成功率为34.6%，而纯HTML格式为33.8%，两者结合反而下降到32.9%。原因可能是HTML包含过多冗余信息，反而干扰智能体对关键状态的判断。

4.3 工作流的“质量指标”：少而精、高覆盖、低重叠

研究者提出了评估工作流质量的四大指标，为设计更有效的记忆库提供了参考：

• 数量：每个场景平均7-8个工作流即可，过多会增加记忆负担。
• 覆盖率：工作流应覆盖任务中40%以上的步骤（Mind2Web数据），证明其通用性。
• 功能重叠：不同工作流的重叠步骤应尽可能少（WebArena中仅0.08），避免冗余。
• 利用率：90%以上的测试任务会调用工作流（WebArena为94%），说明工作流与任务的相关性高。

五、AWM的局限与未来：让智能体更“灵活”

尽管AWM表现出色，但它仍面临一些挑战，这些挑战也指明了未来的研究方向：

5.1 动态环境的“适应性难题”

工作流是预设的步骤序列，但真实环境往往是动态变化的。例如，在预订航班时，输入“纽约”后，网站可能弹出“JFK机场”“纽瓦克机场”等选项，而预设工作流可能无法灵活选择——它只能按固定步骤执行，忽略了中间状态的变化。

解决方案可能包括：

• 让工作流具备“条件判断”能力（如“若出现机场选项，则选择最近的一个”）。
• 允许智能体在执行中实时调整工作流，结合当前环境修改步骤。

5.2 工作流的“冲突消解”

当多个工作流都与当前任务相关时，智能体需要判断调用哪一个。例如，“查找商品”和“筛选商品”都可能适用于购物任务，如何选择最优工作流？

未来可引入“工作流优先级”机制，基于历史成功率、任务相似度等指标动态排序，让智能体更高效地调用记忆库。

5.3 从“网页导航”到更广泛的场景

AWM目前主要用于网页导航，但它的核心思想——“积累可复用工作流”——可扩展到更多领域：

• 移动应用操作：如“在微信中转账”“在抖音上发布视频”的工作流。
• 实体机器人控制：如“开门→进入房间→拿起物品”的物理世界工作流。
• 办公自动化：如“生成报表→发送邮件→同步到云盘”的跨软件工作流。

六、总结：让AI智能体真正“学会学习”

AWM的突破不仅在于性能提升，更在于它为AI智能体提供了一种“学习如何学习”的机制——这是从“工具”到“智能”的关键一步。

人类的智慧不仅在于解决单个问题，更在于从问题中提炼规律，让经验成为未来的“垫脚石”。AWM正是模仿了这一过程：它让智能体不再局限于孤立的任务，而是能通过工作流记忆库，不断沉淀知识、复用经验、进化能力。

随着技术的发展，我们有理由相信，未来的AI智能体将像人类一样，在解决任务的过程中持续“成长”——它们会记得过去的成功与失败，会优化自己的“经验库”，最终在复杂世界中变得越来越灵活、越来越可靠。

（本文基于论文《Agent Workflow Memory》撰写，论文作者为Zora Zhiruo Wang等，代码已开源：https://github.com/zorazrw/agent-workflow-memory）