CURATE：利用大语言模型智能体构建、编目和部署可复现工作流
CURATE: Leveraging LLM Agents to Compose, Catalog, and Deploy Reproducible Workflows
- School of EECS Oregon State University（俄勒冈州立大学电气与计算机工程学院）
- School of CBEE Oregon State University（俄勒冈州立大学生物、环境与农业工程学院）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
该研究提出CURATE多智能体系统，覆盖工作流全生命周期，通过模块目录支持FAIR原则，用Claude Opus 4.8原型验证，完成6项含基准工作流复现及环境工程工作流开发的实验。
AI中文摘要：
智能体代码生成通过利用大语言模型（LLM）生成、测试和部署代码，已展现出自动化和加速软件开发的潜力。对于工程师和科学家而言，这类系统有望加速应用和科学工作流的开发，同时降低尚未充分受益于相关技术的领域的准入门槛。然而，仍存在一个关键缺口：现有的编码智能体主要聚焦于代码生成，未覆盖部署和共享在内的完整工作流生命周期。因此，用户需独立开发和拼接模块，并自行管理部署。为解决这一缺口，我们提出CURATE——即Composition（构建）、User-in-the-loop（用户在回路中）、Reuse（复用）和Automated Task Execution（自动化任务执行）——一种新型的人在回路多智能体系统，该系统利用LLM智能体管理和开发可组合工作流的整个生命周期。该系统的一项关键特性是目录，其支持在不同工作流中存储和复用模块。模块目录为支持FAIR原则奠定了基础，可通过促进精选模块和子图的共享与复用实现这一目标。我们使用Claude Opus 4.8构建初始原型，通过6项实验验证了系统的可行性：复现和改编来自SeBS-Flow基准套件的4个工作流，以及自动化开发和扩展一个利用环境工程中用于模拟厌氧消化的复杂机理模型的工作流。
英文摘要：
Agentic code generation has the potential to accelerate the development of computational workflows while also reducing barriers to entry. However, a key gap remains: existing coding agents focus on code generation and do not address the entire workflow lifecycle, including deployment and sharing. As a result, users develop and stitch modules independently while managing deployment on their own. To address this gap, we propose CURATE (Composition, User-in-the-loop, Reuse, and Automated Task Execution), a novel human-in-the-loop multi-agent system that uses LLM agents to manage and develop composable workflows across their entire lifecycle. A key feature of the system is a catalog that allows for the storage and reuse of modules across workflows. Module catalogs provide a foundation that can be expanded to support FAIR principles by facilitating the sharing and reuse of curated modules and subgraphs. We demonstrate the feasibility of our system with an initial prototype and 6 experiments.
