Agent 工作流跑一半卡住？GRAFT 说不用重来，嫁接一段就行

做 Agent 工作流的人大概都遇到过：全局搜出来一个优化架构，跑起来大多时候不错，但某些输入就在特定子任务上翻车。只想修那一块，可现有的方法不允许——要改就得全局重新优化一遍，算力和时间成本都不低。

最近 arXiv 上有一篇 2026 年 8 月 3 日提交的论文，来自韩国研究团队（Donghyeok Koh 等 7 人），提出的方法正好在打这个痛点，名字叫 GRAFT——Global Optimization and Inference-Time Region Grafting for Agentic Workflows。

名字学术，思路其实挺直觉。

当前方法的问题

现在主流的 Agent 工作流优化方法，比如之前比较强的 MaAS，都是在执行前把工作流架构确定下来。搜到一个全局最优的流程设计，然后跑推理。问题在于：跑起来之后如果某个子任务表现差，没法在运行时调整。论文把这类方法归纳为「执行前确定架构，不能利用执行时的质量信号来自适应」。

如果要让它在推理时能自适应，最直接的做法是每遇到一个输入就重新全局优化——但那是天文数字的计算量，没人这么干。

GRAFT 的解法：局部嫁接

GRAFT 的思路是：保留全局优化好的工作流骨架，对每个输入样本，只替换掉其中表现差的局部区域。不需要重新训练参数，推理时用无标签的执行质量信号做评估——换掉这块能不能提升局部质量？替换后整体流程的一致性能不能保持？两个条件都满足，就接受这个替换。

工作流像一棵树，某个枝干长得不好，不用整棵拔了重栽，现场嫁接一段好的上去。

效果和数据

论文在数学推理、代码生成、多跳问答、知识密集型问答等多个任务上做了测试。在优化器和执行器设置对齐的条件下，GRAFT 比 MaAS 平均高出 3.85 个点。

还有一个发现：只把执行器（executor）换成一个更强的模型，不重新优化全局工作流，效果还能继续涨。这意味着花力气搜出来的工作流结构，不会因为换了更强的模型就报废——局部换一下执行器，嫁接上去，就能吃到新模型的红利。

论文里有一句话说得挺到位：优化后的工作流不应只是一个静态产物，而应该是一个「可演化的执行策略」。

对做 Agent 的人意味着什么

这个思路给了一条更务实的路径：

• 全局搜索一次，拿到一个稳定的工作流骨架。
• 推理时动态评估哪些区域需要替换，只动局部。
• 换模型、换工具、换 prompt 策略，都不需要从头优化全局。

对于需要频繁调优、在不同输入上表现差异大、或者想逐步升级模型的人来说，能省下不少重复劳动。不用每次改一个子任务就把整个 pipeline 推倒重来。

几点保留意见

GRAFT 在推理时多了评估和选择的过程，这个额外开销具体有多大，从摘要里看不出来，需要看全文的消融实验和效率分析。另外，局部替换的质量依赖信号设计——信号不准，嫁接就可能接歪了。这些是读全文时需要重点关注的边界条件。

但方向我是认可的：让 Agent 工作流在运行时保有自适应能力，而不是写死了就改不动。这篇论文值得翻一下全文。

相关链接

• 论文页：https://arxiv.org/abs/2608.02353
• PDF：https://arxiv.org/pdf/2608.02353
• HTML 实验版：https://arxiv.org/html/2608.02353v1