一句话看懂：Hugging Face Papers 近日收录论文 DynaFlow，提出让主智能体在推理过程中自行决定何时协作、生成可执行工作流来调度子智能体。它值得关注的地方在于，多智能体系统可能从”预设固定结构”转向”按任务动态编排”。
事件核心：发生了什么
据论文摘要，DynaFlow 把”自由形式可执行工作流合成”纳入主智能体的动作空间。主智能体根据任务需要，决定是否引入协作，并生成针对当前任务的程序，用串行或并行方式组织子智能体，完成结构化信息交换与结果验证；执行结果和轨迹会反馈给后续动作，使协作方式随推理推进而调整。训练上，研究团队只对主智能体做监督微调，数据来自蒸馏轨迹，并针对不支持的前提、有偏验证和信息流缺陷做筛选后精调；所有子智能体保持固定，把”编排学习”与”执行器能力提升”分开处理。摘要在数学推理、科学问答和多跳检索六项基准上报告了结果，模型骨干为 Qwen3.5-27B。需要说明：以上信息仅基于摘要，未核验全文实验。
为什么重要
当前多智能体框架多数依赖预定义的协作拓扑，任务一变就可能失配。DynaFlow 的思路是把”怎么协作”变成可学习的动作，而不是写死在提示词或流程里。摘要中的对比数据是：在 Forced 模式下整体准确率 88.08%，在相同 Qwen3.5-27B 骨干下，比其评估的最强基线高 10.90 个百分点。这提示多智能体系统的性能瓶颈可能不只在子模型能力，也在跨阶段信息流的质量；如果这一方向被复现，对 Agent 框架和 API 编排层会形成新的技术路线参考。
对用户/开发者/创作者的影响
对开发者而言，值得借鉴的是”主智能体负责编排、子智能体保持固定”的工程拆分：升级编排策略不必重训所有执行器，降低训练成本。工作流分析显示，训练后主智能体对上游输出的显式使用、验证和修正更多，说明在搭建多智能体 AI 应用时，应更重视信息传递与校验节点，而不是堆叠更多 Agent。对普通用户，这类能力短期不会直接变成产品功能，但可能影响未来 Agent 产品在复杂检索、科学问答等任务上的稳定性。目前公开信息显示，论文尚未给出开源代码或上线产品信息。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是是否有开源实现或 API 接入，方便开发者复现；二是六项基准之外的泛化表现，以及”Forced 模式”之外更贴近真实场景的评估；三是子智能体固定这一设计在更强执行器下是否仍有优势，竞品多智能体框架是否会跟进动态编排。
