---
title: "WorkflowArena 提出智能体工作流编排评测基准"
dek: "这篇预印本介绍了包含 145 项任务的基准，通过隐藏验证器评估交付成果，并记录任务委派。摘要称工作流组织方式会影响表现，但保存的来源不足以确认结果可复现。"
---

Zheng Jiang 及其合作者于 2026 年 11 月 9 日向 arXiv 提交 WorkflowArena，提出一套评测基准，用于考察大语言模型（LLM）智能体如何组织多个智能体的可执行工作流。作者介绍，该基准包含 145 项长流程任务，覆盖软件工程、形式化数学、法律分析和 3D 制作等八个专业领域。[^1]

作者将工作流编排视为一种独立于最终任务完成情况的能力：是否委派任务、创建哪些工作智能体，以及如何协调它们的工作。每项任务提供初始工作区，要求提交由相互依赖的组件构成的完整成果，再由隐藏验证器评估。摘要称，所有任务委派都会被记录，因此可以同时评估交付质量与工作组织方式。[^1]

作者报告了对九个模型的实验，称没有一种配置在所有领域都表现最佳。在高投入设置下，Claude Code 中的 Claude 模型调用工作流的频率较低，但工作智能体组规模较大；Codex 中的 GPT 模型则更频繁地以较小单元委派任务。作者还称，在具有挑战性的任务子集上，固定执行模型后，Claude Opus 5.5 编写的工作流可显著改善较弱执行模型的表现。保存的摘要没有提供具体提升幅度或验证器的详细判定标准。[^1]

:::analysis
这项主张涉及 T6（评测层）和 T5（智能体层）：委派记录有助于核查者将任务结果与组织决策联系起来，而隐藏验证器的判定标准若未经另行检查，仍需依赖信任。用户和运营方在将这些比较用于自身系统前，应核对实际处理任务的模型、运行框架、投入设置及工作流。这里涉及的可核验属性是可识别性：如果服务用户的确切版本与配置有记录且可核查，用户就能判断自己是否接触过受评测的设置；摘要并未确立这种与实际部署的对应关系。这是一项基准研究，保存的来源没有推荐任何修复版本。[^1]
:::

:::checked
我们于 2026 年 11 月 14 日阅读了保存的 WorkflowArena arXiv 摘要页文本，标识符为 2611.12856v1，内容包括提交历史。这次阅读确认的是作者报告了什么，并非独立确认其实验结果。我们没有阅读全文，没有检查代码或验证器实现，也没有测试该系统。[^1]
:::

[^1]: WorkflowArena: Benchmarking Executable Workflow Orchestration in LLM-Based Multi-Agent Systems。arXiv，2026 年 11 月 9 日。https://arxiv.org/abs/2611.12856
