AFlow：用 MCTS 把 agentic workflow「长」出来

> 量子位技术拆解 · 先给现象再给机制。完整结构化数据见「速查」tab。

先看一个现象：LLM 解决复杂任务靠的是 workflow——一串 LLM 调用节点按顺序、按条件组合。但 workflow 是人设计的。DSPy 要你先搭好骨架再优化 prompt；GPT-Swarm 用图表示，表达不了「如果错了就换路」这种条件逻辑；ADAS 用代码表示，可它的搜索是线性启发式，历史存成列表，限定迭代内搜不出好 workflow。AFlow（ICLR 2025）的切入点是：workflow 生成本质是一个搜索问题，而搜索算法应该用 MCTS。

核心机制：节点 + 算子 + 代码边，交给 MCTS 四步循环

AFlow 把 workflow 定义成 LLM 调用节点（node）连边（edge）的序列。每个节点有四个参数：模型 $M$、prompt $P$、温度 $\tau$、输出格式 $F$。边用代码表示——代码天然支持线性、条件、循环，表达力超过图。

为了缩小搜索空间，AFlow 做两个简化：固定节点的 model/temperature/format，只让 prompt 和代码边可编辑；同时预定义 operator 集合（Generate、Format、Review&Revise、Ensemble、Test、Programmer、Custom）把常见 agent 操作打包成统一接口。于是搜索空间写成：

$$\mathcal{S}_{\text{AFlow}} = \{(P_1,\dots,P_n, E, O_1,\dots,O_n) \mid P_i \in \mathcal{P},\; E \in \mathcal{E},\; O_i \in \mathcal{O}\}$$

即一组 prompt、一条代码边、一组算子组合。目标是从空模板找让评估函数 $G$ 最大的 workflow：

$$W^{*} = \arg\max_{W \in \mathcal{S}_{\text{AFlow}}} G(W, T)$$

搜索用 MCTS 变体，四步循环（Figure 3）：

1. Soft Mixed Probability Selection：按分数 + 均匀探索的软混合选一个节点。

2. LLM-Based Expansion：优化器（Claude-3.5-sonnet）基于父节点表现，做单步修改——加一个算子或改一段 prompt。

3. Execution Evaluation：执行新 workflow，算数值 fitness。

4. Experience Backpropagation：把经验回填到树里。

Figure 3：AFlow 框架——MCTS 四步循环

单步修改 + 树回溯是关键：失败的尝试（比如 round 5 加了个不合适的 review 节点、round 14 过度关注「折扣」信息）被丢弃，成功的路径保留继续优化。这比 ADAS 的线性列表高效得多。

关键结果：平均 80.3%，成本打一折

六个 benchmark，全部用 GPT-4o-mini 执行、3 次取平均（Table 1）：

平均 80.3%，最佳手工 CoT-SC 76.0%（+5.7%），ADAS 67.2%（+19.5%）。

MATH(lv5)：56.2，对 ADAS 35.4（相对 +58.8%）、手工 CoT-SC 50.4。

MBPP：83.4，对 ADAS 53.4（相对 +56.2%）、手工 73.6——难题增益最大。

HumanEval 94.7 / HotpotQA 73.5 / DROP 80.6 / GSM8K 93.5。

Figure 1：6 个 benchmark 全面领先

最戏剧性的是成本前沿（附录 D，HumanEval 划分集）：DeepSeek 跑 AFlow 搜出的 workflow，93.9% pass@1，成本 $0.0291——约为 GPT-4o 直接推理（93.9%，$0.6371）的 4.55%。换个配置更狠：DeepSeek 跑自己搜的 workflow 94.66%（5.92% 的成本）、GPT-4o-mini 跑 AFlow workflow 94.7%（8.05% 的成本），都超过 GPT-4o 直接推理。弱模型 + 自动 workflow，打平并超过强模型。

消融也干净：去掉 operator 集合，GSM8K 仍有 93.1%（超全部手工设计），AFlow 自主长出了 ensemble 结构——operator 是效率杠杆，不是能力前提（Fig.5）。跨模型迁移有个值得注意的发现：DeepSeek 搜出的 workflow 到 GPT-4o-mini 上只剩 90.8——最优 workflow 与执行模型绑定（Table 2）。

Figure 5：GSM8K 收敛曲线与最优 workflow 代码

成本账再展开一点（附录 D 的完整表格）：同一份 HumanEval 划分集上，GPT-4o-mini 直接推理 87.0%、$0.0223；GPT-4o 直接推理 93.9%、$0.6371；GPT-4o-mini 跑 AFlow 搜出的 workflow 94.7%、$0.0513。也就是说，自动化搜索把「最强结果」的成本门槛从美元级压到美分级——这是它相对手工 workflow 的另一层价值：人力成本被搜索算力替代，而搜索算力可以复用。

还有一点值得留意：AFlow 的收敛有明确轨迹可查——论文的 case study 展示了从空模板到最优 workflow 的逐轮修改，包括两次失败尝试为什么失败。这种可解释性来自单步修改约定：每轮只动一个地方，哪个改动带来提升、哪个改动带来回退，一清二楚。

局限：数值评估依赖、搜索成本、缩水空间

1. 评估必须数值化：solve rate / pass@1 / F1 之外的任务（对话质量、创意）无法直接搜索（§3.2 自承）。

2. 搜索成本未披露全貌：20 迭代 × 6 benchmark × 多执行器，每轮都要完整执行 workflow 评估，论文没给搜索阶段总成本。

3. 搜索空间被缩水：model / temperature / format 手工固定，这些参数本身可能才是最优解的一部分。

4. 优化器依赖强：Claude-3.5-sonnet 当 optimizer，没有做 optimizer 消融；换弱优化器效果未知。

5. benchmark 偏窄：QA/代码/数学六集，长 horizon agent 任务（多轮工具交互）没覆盖。

一句话记住这篇

AFlow 用 MCTS 把 workflow 生成变成树搜索：Soft Mixed 选择、LLM 单步扩展、执行评估、经验回填，20 迭代从空模板长出可用结构。最该记住的数字是：6 benchmark 平均 80.3%（超 ADAS 19.5%），DeepSeek+搜出的 workflow 以 GPT-4o 的 4.55% 成本达到同等 pass@1；最该记住的边界是——最优 workflow 与执行模型绑定，评估必须能数值化。

agentic workflow 用代码表示 + MCTS 优化（Soft Mixed 选择→LLM 扩展→执行评估→经验回填）：6 个 benchmark 平均 80.3%（GPT-4o-mini 执行），超最佳手工方法 +5.7%、超 ADAS +19.5%；小模型+搜出的 workflow 以 GPT-4o 约 4.55% 的成本打平甚至超过它（HumanEval）。

问题

要解决什么：agentic workflow（LLM 调用节点 + 边）靠人设计，规模化与泛化受限；现有自动化方法要么要手工初始 setup（DSPy）、要么搜索空间表达不了条件/循环等结构（GPT-Swarm 的图、DyLAN 的网络）、要么搜索算法低效（ADAS 的线性启发式），AFLOW 要「从空白模板到可用 workflow 的端到端自动化」。

为什么 prior work 不够：Khattab et al. 需要手工 workflow 骨架再优化 prompt；GPT-Swarm 的图结构表达不了条件状态与并行；ADAS 用代码表示但把历史存线性列表、搜索效率差，限定迭代内产不出有效 workflow——问题在『表示能力』与『搜索算法』两头。

进化循环（搜索空间 → 算子 → 评估 → 选择）

搜索空间（什么被进化）：workflow：code-represented edges（表达线性/条件/循环）+ node prompt；node 参数（model/temperature/format）固定以缩小空间；预定义 operator 集合（Generate / Format / Review&Revise / Ensemble / Test / Programmer / Custom）封装常见 agent 操作。

变异/提案算子：

MCTS 四步：Soft Mixed Probability Selection（分数 + 均匀探索的软混合选择节点）
LLM-Based Expansion（Claude-3.5-sonnet 作优化器，基于父节点评估性能生成修改版 workflow）
Execution Evaluation（执行并算数值 fitness）
Experience Backpropagation（树结构经验回填）
每轮单步修改：加一个 operator 或改一段 prompt

评估方式：数值评估函数 G：GSM8K/MATH(lv5) solve rate、HumanEval/MBPP pass@1、HotpotQA/DROP F1；HotpotQA/DROP 各 1000 样本、MATH 617 题（难度 5 的四类问题）；执行器 DeepSeek-V2.5 / GPT-4o-mini / Claude-3.5-sonnet / GPT-4o，temperature 1 或 0，20 迭代。

选择与归档：树结构保留经验：只有提升的 workflow 在 N 轮预算内加回树，其余分支丢弃；top-k 平均分平台或预算耗尽停止；最终选最优 workflow 做测试集评估。无显式多样性控制——靠 soft-mix 探索与 MCTS 树回溯维持。

自我改进程度：L1 边缘：workflow 自动优化，但 optimizer（Claude-3.5-sonnet）、operator 集合、MCTS 规程、固定节点参数全部手工设计；模型权重固定。

输入 / 输出

输入

名称	类型	说明

输出

名称	类型	说明

数据集

数据	规模	备注

架构（摘要）

主干与结构

backbone：

参数：

类型：

→ 详见 Architecture tab。

关键结果

指标	值	最强 baseline	setup
6 benchmark 平均	80.3%	最佳手工 CoT SC 76.0%；自动化 ADAS 67.2%	Table 1（p8），全部用 GPT-4o-mini 执行、3 次取平均；相对手工 +5.7%、相对 ADAS +19.5%
MATH(lv5) / MBPP	56.2 / 83.4	ADAS 35.4 / 53.4（相对 +58.8% / +56.2%）；手工 CoT SC 50.4 / 73.6	Table 1（p8）；617 题难度 5 数学、MBPP pass@1
HumanEval / HotpotQA / DROP / GSM8K	94.7 / 73.5 / 80.6 / 93.5	HumanEval CoT 88.6；HotpotQA MultiPersona 69.2；DROP CoT SC 78.8；GSM8K CoT SC 92.7	Table 1（p8）；pass@1（HumanEval/MBPP）、F1（QA）、solve rate（数学）
成本前沿（HumanEval 划分集）	DeepSeek 跑 AFLOW workflow：93.9% pass@1、成本 $0.0291，约为 GPT-4o IO（$0.6371）的 4.55%	GPT-4o IO 93.9% @ $0.6371	附录 D（p28）+ Fig.4（p9）；AFLOW(gpt-4o-mini) 搜出的 workflow 由 DeepSeek 执行；另：DeepSeek 跑 AFLOW(deepseek) 94.66% @ $0.0377（5.92%）、GPT-4o-mini 跑 AFLOW 94.7% @ $0.0513（8.05%）均超 GPT-4o IO
operator 消融（GSM8K）	无 operator 仍 93.1%，超全部手工设计；有 operator 收敛更快	手工设计（IO/CoT/CoT SC/MedPrompt/MultiPersona/Self-Refine）	Fig.5（p10）；无 operator 时 AFLOW 自主长出 ensemble 结构
跨模型迁移（HumanEval）	workflow 迁移到其它执行器多数超 baseline；但 DeepSeek 搜的 workflow 在 GPT-4o-mini 上弱于自搜（90.8 vs 94.7）	各执行器的 IO/CoT 等手工方法	Table 2（p9）；不同模型需要不同 workflow——workflow 与模型配对而非通用

Insights

树结构经验优于线性 archive：ADAS 把历史存线性列表导致搜索低效；AFLOW 的 MCTS 树让每轮修改有父路径可回填，20 迭代超过 ADAS 30 迭代 19.5%（Fig.6 展示了逐轮单步修改路径）。
代码边 + operator 是效率杠杆：代码表达条件/循环，operator 把常见 agent 操作（Ensemble/Review/Test）打包成统一接口，减少搜索步数；去掉 operator 后模型仍能独立发现 ensemble 结构（Fig.5）。
workflow 是模型相关的：DeepSeek 搜出的最优 workflow 到 GPT-4o-mini 上打折扣——搜索要绑定目标执行模型（Table 2）。
成本反转：弱模型 + 自动搜出的 workflow 能以强模型 4.55% 的成本达到同等 pass@1（附录 D），workflow 优化把对『贵的模型』的依赖下移。

vs 同类工作

vs ADAS：同样代码表示，但 AFLOW 用 MCTS 树 + 执行反馈 + 单步修改，20 迭代内超过 ADAS 30 迭代的 19.5%（Table 1）。
vs GPTSwarm：图结构表达不了条件状态；AFLOW 的代码边原生支持 if/else 与循环（Fig.3 右列代码示例）。
vs DSPy/MIPROv2：仍需手工 workflow 骨架；AFLOW 从单节点空模板自动长结构（Fig.6）。

局限

评估函数必须数值化：只覆盖 solve rate / pass@1 / F1 类任务；开放式或模糊评估（对话质量、创意）无法直接搜索（§3.2 任务范围自承）。
搜索成本高：每轮修改要完整执行 workflow 评估，20 迭代 × 6 benchmark × 多执行器；论文未披露搜索阶段总成本表。
搜索空间被缩水：model / temperature / format 固定为手工设定，这些参数本身可能才是最优解的一部分。
优化器依赖强：Claude-3.5-sonnet 作 optimizer，换弱优化器效果未知；论文未做 optimizer 消融。
benchmark 集偏窄：QA/代码/数学 6 个集，长 horizon agent 任务（多轮工具交互）未覆盖，迁移结论有限。

可复现性

code：https://github.com/FoundationAgents/AFlow
notes：优化器 Claude-3.5-sonnet；执行器 DeepSeek-V2.5（temperature 1）、GPT-4o-mini / Claude-3.5-sonnet / GPT-4o（temperature 0）；20 迭代、ADAS 对照 30 迭代；成本按 token 用量核算（附录 D 给全表）。

workflow-design MCTS code-represented workflow operators cost-performance automated workflow generation

AFlow 架构：MCTS 驱动的 workflow 进化循环

Mermaid 数据流

flowchart TD
    T0["根节点 W0\n（空模板：单 Node 无 prompt）"] --> SELECT["Soft Mixed Probability Selection\n（分数 + 均匀探索的软混合）"]
    SELECT --> EXP["LLM-Based Expansion\n（Claude-3.5-sonnet 优化器\n单步修改：加 operator / 改 prompt）"]
    EXP --> CAND["候选 Workflow W'\n（代码边 + prompt）"]
    CAND --> EVAL["Execution Evaluation\n（执行器跑任务，算数值 fitness）"]
    EVAL -->|"性能提升"| BACK["Experience Backpropagation\n（经验回填树，保留该分支）"]
    EVAL -->|"无提升"| DROP["丢弃分支"]
    BACK --> SELECT
    SELECT -->|"预算 N 轮 / top-k 平均分平台"| STOP["停止 → 最优 workflow 测试集评估"]
    OPS["Operator 集合\nGenerate / Format / Review&Revise /\nEnsemble / Test / Programmer / Custom"] --> EXP
    FIX["固定参数\nmodel / temperature / format"] --> CAND

组件详解

节点（Node）：一次 LLM 调用，参数化 (M, P, τ, F)。搜索中 M/τ/F 固定，只有 prompt P 可编辑——这是刻意的空间收缩，把搜索预算集中到结构与指令上。

边（Edge）：用代码表示执行顺序：线性、if/else 条件、循环、并行都能表达。相比图结构（GPTSwarm 表达不了条件状态），代码边是表达力的保证；相比神经网络边（DyLAN），代码边有精确可控的执行语义。

Operator（算子）：预定义的节点组合接口，封装常见 agent 操作：Generate（生成）、Format（格式化输出）、Review&Revise（反思修正）、Ensemble（集成）、Test（测试）、Programmer（写代码验证）、Custom（默认裸节点）。它们让 MCTS 的扩展动作落在语义层级，而不是逐 token 变异。

MCTS 四步：选择（soft-mix 分数+探索）→ 扩展（LLM 单步修改）→ 评估（执行数值 fitness）→ 回填（树经验）。单步修改 + 失败分支丢弃，让搜索轨迹可解释：Fig.6 展示了 round 2/3 加算子、round 8/10 改 prompt、round 5/14 失败尝试被丢弃的完整路径。

评估函数 G：按任务数值化——GSM8K/MATH 用 solve rate、HumanEval/MBPP 用 pass@1、HotpotQA/DROP 用 F1；测试集划分（HotpotQA/DROP 各 1000 样本、MATH 617 题）与官方协议一致。

设计要点

1. 搜索即生成：workflow 从「单节点无 prompt 模板」起步，结构由搜索长出，无需手工骨架——这是与 DSPy 系方法的分水岭。

2. 效率来自树：树结构经验 + 单步修改 + 失败丢弃，20 迭代超过 ADAS（线性 archive）30 迭代 19.5%。

3. 模型相关的工作流：最优 workflow 绑定目标执行模型（DeepSeek 搜的到 GPT-4o-mini 上打折扣），搜索必须用目标模型做反馈。

4. 成本杠杆：弱执行器 + 优化后的 workflow 达到强模型同等精度，成本可低至 4.55%（附录 D）——把「贵模型」需求下移到「workflow 优化」。

Figure 3 p.5 key

AFLOW 框架：搜索空间 + MCTS 四步循环 + 搜索结果

原文 caption：Overall AFLOW framework: By setting a search space composed of nodes with only prompt parameters flexible, a given operator set, and a code representing edge, AFLOW performs an MCTS-based search within this space. Through a variant of MCTS designed for workflow optimization, AFLOW iteratively executes a cycle of Soft Mixed Probability Selection, LLM-Based Expansion, Execution Evaluation, and Experience Backpropagation.

展示机制全貌：左列搜索空间（node/operator/edge 的表示），中列 MCTS 四步循环（选择-扩展-评估-回填），右列产出三个域的 workflow（问答/数学/代码）。读法：看「Soft Mixed Probability Selection → LLM-Based Expansion → Execution Evaluation → Experience Backpropagation」的闭环。为什么重要：它把「workflow 生成」落实成树搜索——每轮单步修改、失败分支丢弃，是相对 ADAS 线性搜索的效率来源，站点封面。

Figure 1 p.2 supportive

6 个 benchmark 全面超越手工与自动化方法

原文 caption：Performance comparison with other methods. Our AFLOW consistently outperforms all automated workflow optimization and manually designed methods across all six benchmarks.

证明「全面领先」：HotpotQA 73.5 / DROP 80.6 / HumanEval 94.7 / MBPP 83.4 / GSM8K 93.5 / MATH 56.2，每栏都超过手工方法（CoT/CoT-SC/MedPrompt/MultiPersona/Self-Refine）与 ADAS。读法：看每个 benchmark 组里黄色柱的位置。为什么重要：它给出平均 80.3%（超最佳手工 5.7%、超 ADAS 19.5%）的逐项证据，是全文收益的浓缩。

Figure 5 p.10 supportive

GSM8K 收敛曲线 + 最优 workflow 代码

原文 caption：(A) Comparison of highest performance curves on GSM8K for both validation and test sets generated by AFLOW with and without operators; (B) The code for the best-performing workflow discovered by AFLOW on the GSM8K dataset.

证明「operator 提升搜索效率 + 无 operator 也能独立设计」：面板 A 显示有 operator 收敛更快，无 operator 仍达 93.1% 超手工设计；面板 B 展示发现的 workflow 代码——5 次生成 + SC-ensemble + Programmer 验证分支。读法：看曲线差距与代码里 ensemble/verification 结构的自组织。为什么重要：它说明 operator 是效率杠杆而非能力前提，workflow 结构可以由搜索独立长出。

用蒙特卡洛树搜索，把 agent 工作流「长」出来（对话版）

小播：今天聊一篇 ICLR 2025 的论文，讲 agent 工作流的自动生成。先说结论？

老播：这篇叫 AFlow。一句话：把工作流生成当成搜索问题，用蒙特卡洛树搜索来搜，从空白模板长出可用结构。六个基准平均 80.3%，超过最好的手工方法 5.7 个点，超过同类的 ADAS 19.5 个点。还有个更狠的数字：小模型配上搜出来的工作流，用 GPT-4o 大约 4.55% 的成本，就能打平甚至超过它。

小播：等等，工作流是什么？为什么要自动生成？

老播：工作流就是一系列 LLM 调用节点按顺序、按条件组合起来——比如先生成、再反思、再集成。现在这些全靠人设计。DSPy 要你先搭好骨架；GPT-Swarm 用图表示，表达不了「如果错了就换路」；ADAS 用代码表示，但搜索算法是线性的，效率不够。

表示：节点、算子、代码边

小播：AFlow 怎么表示工作流？

老播：三样东西。节点，就是一次 LLM 调用，有四个参数：模型、prompt、温度、输出格式。边，用代码表示执行顺序——代码天然支持 if-else 和循环，这是图结构给不了的。还有算子集合，把常见操作打包：生成、格式化、反思修正、集成、测试、程序员、自定义。

小播：为什么要把搜索空间缩小？

老播：因为全部参数一起搜太大了。AFlow 把模型、温度、输出格式固定，只让 prompt 和代码边可编辑——搜索预算集中在结构和指令上。加上算子，扩展动作就落在语义层面，而不是逐 token 变异。

MCTS 四步循环

小播：搜索具体怎么跑？

老播：四步。第一步，Soft Mixed 选择：按分数加一点均匀探索的软混合，选一个节点。第二步，LLM 扩展：优化器——这里用 Claude-3.5-sonnet——做单步修改，加一个算子或者改一段 prompt。第三步，执行评估：跑一遍，算数值分数。第四步，经验回填：把结果写回树里。

小播：单步修改？为什么不是大改？

老播：先记一个记忆锚点：每轮只动一处，哪个改动带来提升、哪个带来回退，一清二楚——可解释性是它和 ADAS 线性列表搜索拉开差距的关键。

老播：这是关键设计。每轮只动一处，成功路径保留、失败分支丢弃，搜索轨迹可解释。论文里有个 GSM8K 的迭代案例：第 2、3 轮加算子，第 8、10 轮改 prompt；第 5 轮加了个不合适的 review 节点，掉分了，被丢掉；第 14 轮过度关注「折扣」信息，也被丢掉。这就是树搜索和线性列表的差别——AFlow 是 20 轮迭代，ADAS 是 30 轮，AFlow 反而高出 19.5 个点。

数字：全面领先 + 成本打一折

小播：给硬数字。

老播：六个基准，全用 GPT-4o-mini 执行：平均 80.3%。逐项看：HotpotQA 73.5、DROP 80.6、HumanEval 94.7、MBPP 83.4、GSM8K 93.5、MATH 56.2。最难的题增益最大——MATH 上比 ADAS 高 58.8%，MBPP 高 56.2%。

小播：那个 4.55% 是怎么回事？

老播：在 HumanEval 上算成本账。GPT-4o 直接推理：93.9% 的 pass@1，成本 0.64 美元。换成 DeepSeek 执行 AFlow 搜出来的工作流：93.9%，成本 0.0291 美元——正好是 4.55%。换个配置更夸张：DeepSeek 跑自己搜的工作流 94.66%，GPT-4o-mini 跑 AFlow 工作流 94.7%，成本分别是 5.92% 和 8.05%，都超过 GPT-4o 直接推理。

小播：也就是说，弱模型加好的工作流，可以打平甚至超过强模型？

老播：对，记住这个记忆锚点：工作流优化把对「贵模型」的依赖下移了。但有个重要的前提——最优工作流和执行模型是绑定的。DeepSeek 搜出来的工作流拿到 GPT-4o-mini 上，从 94.7 掉到 90.8。所以搜索必须用目标模型做反馈。

消融：没有算子也能长出来

小播：算子是不是必须的？

老播：论文做了消融：把算子集合整个拿掉，AFlow 在 GSM8K 上仍然 93.1%，超过所有手工设计。它自己长出了 ensemble 结构——生成 5 个解、集成、再用程序员算子验证，验证不过就退回原答案。所以算子是效率杠杆，不是能力前提。

小播：这挺能说明搜索能力的。

老播：对。它证明了结构可以从搜索里独立长出来，人只提供了表示和搜索规程。

泼冷水：五个边界

小播：它有什么短板？

老播：五个。第一，评估必须数值化——对话质量、创意这种模糊任务没法直接搜。第二，搜索成本没披露全貌：20 轮乘 6 个基准乘多个执行器，每轮都要完整跑一遍工作流。第三，模型、温度、输出格式被手工固定了，这些参数本身可能才是最优解的一部分。第四，优化器必须是 Claude-3.5-sonnet 这个级别的模型，换弱的没验证过。第五，基准偏窄——只有问答、代码、数学，长 horizon 的多轮工具交互任务没覆盖。

收尾

小播：最后用一句话总结？

老播：AFlow 用蒙特卡洛树搜索把工作流生成变成搜索问题：Soft Mixed 选择、LLM 单步扩展、执行评估、经验回填，20 轮从空模板长出可用结构。最该记住的数字是：六个基准平均 80.3%，超 ADAS 19.5%；DeepSeek 加搜出的工作流用 GPT-4o 的 4.55% 成本达到同等水平。

小播：而最该记住的边界是：最优工作流与执行模型绑定，评估必须能数值化。

老播：没错。这篇和 ADAS 是同一拨想法，但它证明了「搜索算法」和「表示」一样重要——同样的代码空间，换 MCTS 就高出 19.5 个点。