Survey de optimización de flujos de trabajo para agentes LLM | De plantillas estáticas a grafos de ejecución dinámicos | Estrategias para mejorar el rendimiento de sistemas multi-agente de IA

Abstract

PROBLEMA: El diseño de agentes LLM ha evolucionado de plantillas estáticas simples a flujos de trabajo complejos, pero la optimización de estos últimos para maximizar el rendimiento y minimizar el coste sigue siendo un reto poco explorado y fragmentado. SOLUCIÓN: Este estudio (survey) sistematiza la transición de los 'Static Templates' a los 'Dynamic Runtime Graphs'. Propone una taxonomía clara de las estrategias de optimización de flujos de trabajo, centrándose en cómo la estructura del grafo puede adaptarse dinámicamente durante la ejecución para mejorar el razonamiento. METODOLOGÍA: Los autores revisaron más de 100 arquitecturas de agentes recientes, comparando métodos de generación de grafos, poda de rutas de razonamiento y mecanismos de retroalimentación. RESULTADOS: El estudio identifica que los grafos dinámicos reducen el consumo de tokens en un 30% en promedio y mejoran la tasa de éxito en tareas complejas al permitir caminos de corrección de errores en tiempo de ejecución. RELEVANCIA: Proporciona una hoja de ruta esencial para ingenieros que desarrollan sistemas de IA agénticos empresariales donde la eficiencia y la fiabilidad son prioritarias.