Les workflows structurés aident les grands modèles de langage à traiter des problèmes complexes, mais leur conception reste difficile à automatiser. En cause : un espace de recherche combinatoire très large, souvent traité au prix d’étapes d’entraînement hors ligne coûteuses et peu flexibles. Dans ce contexte, l’article **"Coupled Hierarchical Search over Topology and Execution for Agentic Workflow Synthesis"** propose une alternative centrée sur la recherche au moment de l’exécution.
Les auteurs formulent la génération de workflows comme une recherche couplée entre **topologie** et **exécution**. Concrètement, la structure globale du workflow définit les sous-tâches, tandis que les résultats obtenus lors de l’exécution peuvent en retour modifier cette structure. Sur cette base, ils introduisent **HierFlow**, une architecture hiérarchique présentée comme **sans entraînement additionnel** et opérant directement à l’inférence.
Le système combine deux mécanismes principaux : des ajustements de topologie guidés par le retour d’information, et une recherche rapide inspirée du **Monte Carlo Tree Search (MCTS)** pour optimiser les sous-workflows. Les auteurs ajoutent aussi un module de **gating** chargé de déclencher sélectivement les recherches au niveau de l’exécution seulement lorsque le contexte le justifie, afin de limiter le coût de calcul. L’article indique également analyser l’effet du couplage entre tâches sur l’intérêt du découpage hiérarchique.
Selon le résumé arXiv, HierFlow a été évalué sur des benchmarks de **question answering**, de **raisonnement mathématique** et de **génération de code**. Les auteurs affirment que la méthode surpasse des baselines solides tout en maintenant un bon compromis entre qualité des résultats et efficacité computationnelle. À ce stade, les détails chiffrés précis ne figurent pas dans la source fournie, mais la proposition s’inscrit clairement dans la tendance des approches agentiques plus adaptatives et moins dépendantes d’un entraînement spécialisé.