華為升級行業Agent算法架構！MindScale自己寫prompt和工作流

允中 發自 凹非寺
量子位 | 公眾號 QbitAI

在大模型的多種應用形態中，執行專業功能的行業Agent，無疑是提升生產效率、實現價值創造的利器。

然而，千行百業包含著大量的私域知識、專家經驗和工具使用邏輯，使得智能體的行業應用構建存在各類門檻。

為了提升開發效率，業界提出了諸如Skills、OpenClaw等優秀的工程框架，使得專業Agent的開發門檻日益降低，也讓針對Agent應用的多維度算法優化需求愈發凸顯。

在此背景，華為諾亞方舟實驗室近期在官網更新了面向行業應用的算法包MindScale，這一項目融合了實驗室的算法創新基因與華為行業智能化業務實踐經驗。

其系統性梳理了Agent時代將“大模型”轉化為“生產力”的算法技術挑戰，并給出了對應的技術論文昇騰代碼實現，為行業用戶與開發者提供了直接的“上手指南”。

制約行業Agent發展的四大核心挑戰

在MindScale項目中，研究人員識別了在行業普及Agent應用的四大挑戰：

• 工作流手工維護：依賴專家將業務規則“翻譯”為Agent工作流；
• 歷史知識復用難：歷史推理路徑與反饋無法有效使Agent系統自演進；
• 訓推效率瓶頸：大量模型部署與迭代需求+思考路徑變長，成本壓力陡升；
• 復雜推理測評：多步、多工具交織推理，單精度指標無法準確反映模型效果。

實現工作流自進化與提示詞自動化閉環

為了應對這些挑戰，諾亞的研究人員與多所合作單位一道，給出了自己的解決方案。

例如，面向行業Agent開發中最常見的工作流（Workflow）開發場景，算法包中包含了自進化的Agent算法EvoFabric

與手動提取工作流高度依賴專家經驗不同，使用SOP2Workflow可以快速從自然語言文檔與歷史工具庫，直接生成可執行的Workflow。

△由用戶書寫的網頁功能測試SOP→自動生成的整個Workflow

為了實現這樣靈活的Workflow生成，研究人員采用了基于狀態圖引擎內核的Agent實現，原生支持混編Agent、工具等多種圖節點，支持狀態的改寫和分組融合處理，實現多智能體、多工具、多記憶形態的深度混編，圖引擎還支持DSL文件的導入與導出，實現復雜智能流程的快速復制、遷移與部署。

同時，該算法框架還可以實現基于記憶的演進——多輪執行時，記憶模塊利用軌跡記憶，以及當時的評估結果形成經驗優化上下文，實現Agent越用越好。

另一個有趣的功能，是讓模型開始自己進行“prompt優化”

首先，基于前期已經先行發布的prompt在線優化算法SCOPE，開發者可以實現在每步推理之間進行prompt在線優化，通過注入萃取歷史路徑中的有效信息實現提示詞的快速優化，在HLE和GAIA等agentic reasoning的場景里可以取得20%以上的精度提升。

此外，研究人員還提出了“大模型prompt優化器”C-MOP，通過創新的樣本選取與梯度更新策略，解決了“文本梯度”的沖突問題，實現了基于正負例反饋的prompt自動優化，真正做到了“反饋->演進”的prompt優化閉環。

△C-MOP：融合正誤雙向樣本感知與時序動量梯度的提示詞優化器。

榨干算力潛能并適配國產硬件生態

除了精度提升，MindScale也注重面向行業場景模型的訓推效率優化，例如：

• 其中的TrimR用一個已預訓練、指令微調的輕量驗證器在線檢測并截斷無用中間思路，全程無需微調大模型或驗證器；
• 配套工業級異步在線系統，適配大并發生產場景。

在MATH、AIME、GPQA等基準與多款LRM上，TrimR在幾乎不影響準確率的前提下，將推理時延顯著降低，大并發場景最高可達約70%提速，實現實際應用場景中的Test Time Scaling。

△TrimR：工業級思維鏈動態壓縮算法框架

此外，為了適配行業場景高并發的推理壓力，MindScale還提供了新的基于KV Cache的推理方案。

與通用方案中KV Cache只是用來加速解碼的“幕后工具”不同，研究人員提出KV-Embeddings，把KV Cache視作一種“免費附贈”的輕量表示，無需額外計算或存儲完整隱狀態，可以在鏈式表示推理（Chain-of-Embedding）和快慢思考切換等關鍵場景中，基于多款主流模型上實現性能持平或反超專用embedding模型，同時將生成token數最高減少5.7×

這些結果表明——KV Cache不只是加速器，更是一塊尚未被充分利用的“思考緩存”，為大模型推理階段的表示復用打開了新的想象空間。

此外，諾亞方舟實驗室與相關合作團隊還在任務記憶、Agentic RAG、通用算法發現框架等多個方向上，沉淀了大量經過實戰檢驗的、圍繞行業智能優化的創新算法技術架構。

同時，MindScale還也包含了適配昇騰硬件的代碼實現，可以讓行業開發的小伙伴們，基于國產算力實現高精度、高效的Agent構建。

https://noah-mindscale.github.io/
華為諾亞方舟實驗室主頁：
https://www.noahlab.com.hk/#/home