RA-MoWE 是一个利用工作流亲和性嵌入（workflow‑affinity embeddings）来对查询进行聚类并生成可复用专家工作流的框架。每个嵌入向量记录了一组固定参考工作流在解决该查询时的表现，从而揭示哪些推理策略在不同查询之间是相似的。RA-MoWE 先对查询进行聚类，使用聚类内查询的平均嵌入来初始化专用工作流，并通过执行反馈不断细化该工作流。随后，一个嵌入编码器能够直接从查询文本预测其亲和性嵌入，使得新查询在不执行参考工作流的情况下即可选取合适的专家工作流。实验在四个覆盖数学、科学和编程的基准上抽取的 300 条查询上进行，RA-MoWE 相比仅在参考工作流中挑选的方式提升了 4.04 个百分点的平均任务得分，同时在推理阶段减少了 27.7% 的语言模型调用次数。
点评