CI-Repair-Bench: A Repository-Aware Benchmark for Automated Patch Validation via CI Workflows
Software Performance, Analysis, and Reliability (SPEAR) Lab, Concordia University(康科迪亚大学软件性能、分析与可靠性实验室)
CI-Repair-Bench通过真实GitHub Actions执行构建,提供仓库级程序修复基准,包含567个CI失败实例,细粒度评估12种CI错误类型,揭示自动化修复在局部和工具强制失败上效果最佳,但环境依赖等问题仍具挑战。
2026-04-29 cs.SE
Efficiently Reproducing Distributed Workflows in Notebook-based Systems
University of Missouri(密苏里大学);DePaul University(德保罗大学);University of Notre Dame(圣母大学)
本文提出NBRewind系统,通过增量检查点和日志提升分布式工作流在笔记中的可重现性与效率,减少全量重执行开销。
2026-03-27 cs.DC cs.SE
Biomedical systems biology workflow orchestration and execution with PoSyMed
Institute for Computational Systems Biomedicine, University of Hamburg(计算系统生物医学研究所,汉堡大学);Faculty of Science, Computer Science, Vrije Universiteit Amsterdam(科学与计算机科学学院,阿姆斯特丹自由大学);Department for Mathematics and Computer Science, University of Southern Denmark(数学与计算机科学系,南丹麦大学)
PoSyMed平台通过模块化架构和容器化流程,提升生物医学分析的可重复性与透明度,利用大语言模型辅助工具识别与参数设置。
2026-04-21 cs.AI cs.SE
An AI-Assisted Migration Framework for Transforming Legacy Scientific Applications into Reusable Cloud-Based Workflows
University of Amsterdam(阿姆斯特丹大学);LifeWatch ERIC Virtual Lab Innovation Center(生命观察欧洲研究基础设施联盟虚拟实验室创新中心)
该研究提出结合RM-ODP、LLMs和DSM分析的AI辅助迁移框架,成功将两个不同领域的遗留科学应用转换为保留原功能的可重用云工作流,为遗留科学软件现代化提供可行方案。
2026-08-25 cs.SE
R-LAM: Reproducibility-Constrained Large Action Models for Scientific Workflow Automation
1, Department of AI \& Data Science, RMK Engineering College, Chennai, India
R-LAM通过引入结构化动作模式、确定性执行策略和显式溯源跟踪,提升科学工作流自动化的可重复性和可靠性。
2026-01-12 cs.AI cs.LG cs.SE
Sherlock: Reliable and Efficient Agentic Workflow Execution
Microsoft Azure Research(微软Azure研究);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出智能体工作流执行框架Sherlock,通过反事实分析识别易错节点并附加成本最优验证器,结合推测性执行与回滚机制,在平衡效率与可靠性的同时实现了18.3%的准确率提升和显著的执行时间及验证成本降低。
2025-11-01 cs.MA cs.SE
FlowMind: Execute-Summarize for Structured Workflow Generation from LLM Reasoning
Peking University(北京大学);East China University of Technology(东华大学);National Key Laboratory of Data Space Technology and System(数据空间技术与系统国家重点实验室)
FlowMind通过执行-总结框架将LLM推理转化为结构化工作流,提高工作流的准确性和鲁棒性。
2026-02-12 cs.AI cs.SE
Bridging Design and Execution: A Visual Graph Editor for Edge and Cloud Workflows
Faculty of Technical Sciences, University of Novi Sad(诺维萨德大学技术科学学院);School of Electrical Engineering, University of Belgrade(贝尔格莱德大学电气工程学院)
提出一种领域特定可视化图形编辑器,通过内核、共享内存节点和事件触发器三种抽象,支持边缘和云应用的模块化设计,自动序列化为可执行表示,弥合设计与部署的鸿沟。
2026-06-23 cs.DC cs.SE
AutoResearch: An Execution-Grounded Multi-Agent Framework for Reliable Research Workflow Automation
International Research Center for Complexity Sciences(国际复杂性科学研究中心);Hangzhou International Innovation Institute, Beihang University(杭州国际创新研究院,北京航空航天大学);Department of Computer Science, College of Science, Mathematics and Technology(科学、数学与技术学院计算机科学系);Wenzhou-Kean University(温州-凯恩大学);Computer Systems Engineering Department, Sukkur IBA University(苏库尔IBA大学计算机系统工程系);Yangtze Delta Region Institute (Huzhou), University of Electronic Science and Technology of China(长江三角洲地区研究所(湖州),中国电子科学科技大学)
研究针对自动化研究智能体常无法验证实验执行及引用等问题,提出AutoResearch框架,结合多种技术,经实验验证其在多方面提升了研究工件的质量。
2026-10-14 cs.AI cs.CY cs.SE
A Dataflow Language for Decentralised Orchestration of Web Service Workflows
部署集中式面向服务的工作流带来了重大的可扩展性挑战,包括:网络带宽消耗、性能下降和单点故障。本文提出了一种高级的可扩展性低规约语言,试图解决这些可扩展性的挑战。这种语言为编排大规模Web服务工作流提供了简单的抽象,并将工作流逻辑与其执行分开。它是基于一个数据驱动的模型,允许并行,以提高工作流的性能。我们提供了一个分散的架构,允许计算逻辑移动“更接近”的工作流程中涉及的服务。这是通过将工作流规范划分为可以发送到远程编排服务以供执行的较小片段来实现的。编排服务依赖于代理,这些代理利用与工作流中的服务的连接。这些代理代表编排服务执行服务调用和组合,并执行数据汇集、检索和中介任务。我们的架构实现的评估得出结论,我们的分散式方法减少了工作流程的执行时间,并相应地随着数据集的大小增加而扩展。
2013-05-08 cs.DC cs.SE
Enhancing Workflow Security in Multi-Cloud Environments through Monitoring and Adaptation upon Cloud Service and Network Security Violations
针对多云环境下工作流安全执行难、现有违规检测与响应不足的问题,提出监控云服务与网络检测安全违规、结合自适应学习选最优适配动作的方法,以降低工作流受影响程度。
2023-10-03 cs.CR cs.SE
Separating Intelligence from Execution: A Workflow Engine for the Model Context Protocol
Infosys
本文提出一种MCP原生编排层,将智能决策与执行分离,通过工作流蓝图减少token消耗,提升执行效率。
2026-03-13 cs.AI cs.DC cs.SE
A Telemetry-Driven Model for Quantifying Upgrade Risk in Durable Workflow Execution
Platformatic Inc.(Platformatic公司)
研究持久工作流执行中升级风险量化问题,提出基于遥测数据的封闭形式概率模型,结合向后和向前项分解风险,全程贝叶斯估计,给出风险分数可信区间,还能划分运行类别,放弃独立性假设后可计算耦合感知分区。
2026-07-16 cs.DC cs.SE
Beyond Generalist LLMs: Specialist Agentic Systems for Structured Code Workflow Execution
研究在业务流程自动化中,将BPMN图转换为可执行代理工作流时,专业代理是否值得额外开发。引入专业工作流并与通用代理比较,结果显示专业代理在多方面表现更优,通用代理代码生成不一致,不适用于工业环境。
2026-07-17 cs.AI cs.SE
When Do Microservices Save Energy? Evidence from Environmental Simulation Workflows
Lancaster University(兰卡斯特大学)
该研究通过将四个环境模型构建为容器化微服务工作流,对比不同编排方式与单体执行的能耗,发现微服务对小型模型会增耗,而较大工作流采用事件驱动编排或选择性下游重执行可实现节能。
2026-08-20 cs.DC cs.SE
Configurable Runtime Orchestration for Dynamic Data Retrieval in Distributed Systems
Capital One
本文提出了一种基于配置的运行时编排框架,用于在分布式系统中实现动态数据检索,通过动态生成执行图实现低延迟编排,支持集成演变时无需重新部署工作流代码。
2026-03-07 cs.DC cs.SE
Progressive Crystallization: Turning Agent Exploration into Deterministic, Lower-Cost Workflows in Production
研究针对IT运营中AI代理成本高问题,提出渐进式结晶方法,通过三阶段执行分类法及证据提升机制,将代理探索转化为低成本工作流程,在生产云网络AIOps系统上评估效果良好,提升确定性执行、降低成本并提高安全性。
2026-07-09 cs.AI cs.DC cs.ET
Why Agentic Workflows Fail: A Taxonomy Derived from Literature and Empirical Data
University of Birmingham(伯明翰大学)
本文提出一种感知源的智能体工作流失败分类学,结合源归因与三维度,通过两轴矩阵定位失败,对比文献与GitHub的失败差异,指出可靠性是系统问题,为相关工作提供基础。
2026-10-14 cs.AI cs.SE
DeFiFlowBench: Benchmarking and Improving Safe Executability in Natural-Language DeFi Workflow Synthesis
SRM Institute of Science and Technology(SRM科学与技术学院)
提出DeFiFlowBench基准和Koan-Safe方法,通过明确交易保护与执行评估,提升自然语言DeFi工作流合成的安全可执行性。
2026-09-11 cs.LG cs.SE
Combining Node-RED and Openwhisk for Pattern-based Development and Execution of Complex FaaS Workflows
在过去的15年里,现代云计算的进步一直在推动应用程序的现代化,强调需要重新设计应用程序,以使用更多的分布式和临时资源。从最初的IaaS和PaaS方法,到微服务,再到现在的无服务器模型(特别是功能即服务方法),应用程序开发人员不断面临新的挑战。本文提出了一个设计和开发环境,旨在简化应用程序的演变和迁移到新的FaaS模型,基于广泛使用的Node-RED开源工具。该环境的目标是为复杂的FaaS应用程序提供更加用户友好和抽象的功能和工作流创建。为此,它绕过了当前FaaS平台的工作流描述和功能重用限制,提供了一个可扩展的,模式丰富的现成的,可重用的功能,可以以任意方式组合的调色板。该环境嵌入了无缝的DevOps流程,用于生成FaaS平台(Openwhisk)的可部署工件(即函数和映像)。注释机制也可供开发人员指定各种执行选项或针对部署和操作堆栈的管理指南。该评估基于对指示性场景的案例研究,包括基于Node-RED运行时创建、注册和执行功能和流程,在FaaS环境中嵌入现有遗留代码,并行化工作负载,在边缘收集数据以及创建功能编排以伴随应用程序。对于后者,详细论证了为什么这个过程不应该受到FaaS的“双重计费”原则的约束。
2022-02-19 cs.DC cs.SE
Towards Agentic Cloud Engineering: Graph and Loop Engineering with a Zero-Trust Agent Harness
Tata Research Development and Design Centre(塔塔研究开发设计中心)
该研究提出Agentic Cloud Workflow Engineering框架,将自然语言智能体云工程任务转为验证后的代码仓库与云部署,划分三类工程关注点并在Google Cloud验证,为多类智能体云工程领域提供统一架构。
2026-10-19 cs.AI cs.LG cs.SE
MCPGen: Benchmarking LLMs on Executable MCPWorkflow Development
Shanghai Jiao Tong University(上海交通大学)
本研究提出MCPGen基准,测试LLM生成可执行MCP工作流的能力,发现跨层集成是主要瓶颈,端到端执行成功率最高仅57%。
2026-09-22 cs.AI cs.SE
Workflow Automation for Cyber Physical System Development Processes
Vanderbilt University(范德堡大学)
网络物理系统(CPS)的开发需要在许多领域具有专业知识的开发人员之间进行密切的互动,以实现对提高性能,降低成本和更多系统自主性的不断增长的需求。每个工程学科通常依赖于特定领域的建模语言,并且这些模型的分析和执行通常通过适当的工具自动化。然而,这些异构的模型和工具之间的集成往往缺乏,这些工具的互操作的大部分负担是放在系统开发人员。为了解决这个问题,我们引入了一个工作流建模语言,复杂的CPS开发过程的自动化,并实现了一个平台,这些模型的执行基于保证的学习启用CPS(ALC)工具链。提供了几个说明性的例子,显示这些工作流模型是如何能够自动化许多耗时的集成任务,以前手动执行的系统开发人员。
2020-04-12 cs.AI cs.SE
Beyond Approved Actions: Runtime Validation of Persistent Outcomes in Agent Workflows
Harbin Institute of Technology(哈尔滨工业大学)
针对智能体执行产生未批准持久性结果的问题,提出EffectMatch运行时,通过边界内收集并比较持久性更改与批准内容,控制提交和依赖执行,实验验证其能阻止不一致结果的静默接受与传播。
2026-09-28 cs.AI cs.SE
Design and engineering of a simplified workflow execution for the MG5aMC event generator on GPUs and vector CPUs
物理事件发生器是高能物理实验数据分析软件链的重要组成部分,也是CPU资源的重要消耗者。提高这些软件包在现代硬件架构上的软件性能,例如在HPC中心部署的软件,对于即将到来的HL-LHC物理计划至关重要。在本文中,我们描述了一项正在进行的活动,以重新设计Madgraph5_aMC@NLO物理事件生成器,主要是将其移植并允许其在GPU上高效执行,同时也对其进行现代化并优化其在矢量CPU上的性能。我们描述的动机,工程过程和软件架构设计,我们的发展,以及目前的挑战和未来的方向,这个项目。本文基于我们在2021年3月提交的vCHEP 2021,并补充了我们在会议期间提交的一些初步结果。进一步的细节和更新的结果将在以后的出版物中给出。
2021-07-13 cs.SE hep-ex hep-ph
Hydra: Brokering Cloud and HPC Resources to Support the Execution of Heterogeneous Workloads at Scale
Hydra是一个跨云与HPC的代理系统,可并发获取异构资源并管理异构工作流执行,通过四项贡献(设计、实现、实验表征和海平面工作流)验证了其可扩展性。
2024-07-16 cs.DC cs.SE
Blueprint First, Model Second: A Framework for Deterministic LLM Workflow
Alibaba(阿里巴巴)
提出“蓝图优先,模型其次”框架,通过将工作流逻辑解耦为源代码蓝图并由确定性引擎执行,LLM仅处理子任务,在TravelPlanner上最终通过率提升97.6%,约束违反减少96.0%。
2026-06-17 cs.AI cs.PL cs.SE
Large Language Model Critics for Execution-Free Evaluation of Code Changes
University of Texas at Dallas(德克萨斯大学达拉斯分校);AWS AI Labs(亚马逊云科技人工智能实验室)
本研究设计了基于LLM的参考感知评论器,通过黄金测试补丁对仓库级代码变更进行免执行的步骤级评估,在预测可执行性和构建状态上显著优于现有方法,并开源了相关库。
2025-01-28 cs.AI cs.CL cs.SE
No Test Cases, No Problem: Distillation-Driven Code Generation for Scientific Workflows
Purdue University(普渡大学);Argonne National Laboratory(阿贡国家实验室)
本文提出MOSAIC框架,通过知识蒸馏和结构化问题分解实现无测试用例的科学代码生成,提升准确性和执行精度。
2026-04-25 cs.AI cs.MA cs.SE