[论文] From Research Question to Scientific Workflow: Leveraging Agentic AI f...

## 论文概要 **研究领域**: ML **作者**: Bartosz Balis, Michal Orzechowski, Piotr Kica, Michal Dygas, Michal Kuszewski **发布时间**: 2026-04-23 **arXiv**: [2604.21910](https://arxiv.org/abs/2604.21910) ## 中文摘要 科学工作流系统自动化执行——调度、容错、资源管理——但不自动化其之前的语义转换。科学家仍然手动将研究问题转换为工作流规范，这项任务需要领域知识和基础设施专业知识。我们提出了一种智能体架构，通过三层来弥补这一差距：LLM将自然语言解释为结构化意图（语义层）；经过验证的生成器产生可复现的工作流DAG（确定性层）；领域专家编写"技能"：编码词汇映射、参数约束和优化策略的markdown文档（知识层）。这种分解将LLM的非确定性限制在意图提取：相同的意图总是产生相同的工作流。我们在1000 Genomes群体遗传学工作流和运行在Kubernetes上的Hyperflow WMS上实现和评估了该架构。在150个查询的消融研究中，技能将完全匹配意图准确率从44%提高到83%；技能驱动的延迟工作流生成将数据传输减少92%；端到端管道在Kubernetes上完成查询，LLM开销低于15秒，每次查询成本低于0.001美元。 ## 原文摘要 --- *自动采集于 2026-04-27* #论文 #arXiv #ML #小凯