DynaFlow lässt KI-Agenten ihre Zusammenarbeit selbst planen

Wie der Workflow funktioniert

Ein von DynaFlow erzeugter Workflow ist ein JavaScript-Programm, das über eine Workflow-Schnittstelle ausgeführt wird. Der Code beschreibt die Zuständigkeiten der Unteragenten und die Abfolge ihrer Arbeit. Unabhängige Aufrufe können parallel laufen; wenn ein Arbeitsschritt auf einem vorherigen Ergebnis aufbaut, kann dieses als Eingabe an den nächsten Agenten übergeben werden. [2]

Die Laufzeitumgebung gibt dem Hauptagenten nicht nur die zusammengefassten Ausgaben zurück, sondern auch eine Ausführungsspur mit Status und Ergebnissen einzelner Agentenaufrufe. Der Hauptagent ergänzt diese Beobachtungen zu seinem bisherigen Verlauf und entscheidet anschließend, ob er direkt antwortet, ein Werkzeug nutzt oder einen weiteren Workflow zur Prüfung oder Verfeinerung startet. [2]

Damit unterscheidet sich DynaFlow von einem einmalig entworfenen Ablauf, der nach dem Start unverändert abgearbeitet wird: Zwischenergebnisse können die folgenden Entscheidungen beeinflussen. Zugleich delegiert das Verfahren die inhaltliche Problemlösung nach einem Workflow-Aufruf an die Unteragenten; der Hauptagent übernimmt vor allem Koordination und Zusammenfassung. [2]

Training konzentriert sich auf den Koordinator

Die Autoren trainieren ausschließlich den Hauptagenten. Die Unteragenten bleiben eingefroren, also während des Trainings und der verglichenen Workflow-Experimente unverändert. Damit soll die Studie untersuchen, ob sich die Koordination vorhandener Modellfähigkeiten verbessern lässt, ohne zugleich die Fähigkeiten der ausführenden Agenten neu zu trainieren. [1] [2]

Das Training besteht aus zwei überwachten Feinabstimmungsphasen. Zunächst erstellt ein Lehrermodell beispielhafte Abläufe mit derselben Schnittstelle und denselben festen Unteragenten. In den Trainingsbestand kommen laut Volltext nur Beispiele, die eine korrekte Endantwort liefern und das vorgesehene Delegationsverfahren einhalten. Trainiert wird dabei auf die erste Analyse des Hauptagenten und seinen ersten Workflow-Aufruf. [2]

In der zweiten Phase filtern die Autoren Beispiele zusätzlich nach der Qualität ihrer Orchestrierung. Ein Sprachmodell-Bewerter sucht nach drei Fehlergruppen: unbelegten Prämissen, die als gegeben dargestellt werden; verzerrter Verifikation, bei der Prüfer in Richtung einer erwarteten Antwort gelenkt werden; sowie Mängeln im Informationsfluss, etwa wenn notwendiger Kontext zwischen Agenten verloren geht. Nur Beispiele, die diese Prüfung bestehen, werden für die weitere Feinabstimmung verwendet. [2]

Dieses Verfahren macht die Ablaufqualität zu einem eigenen Auswahlkriterium neben der Richtigkeit der Endantwort. Es beweist jedoch nicht unabhängig, dass der eingesetzte Bewerter sämtliche Orchestrierungsfehler zuverlässig erkennt: Die Quelle beschreibt die Prüfmethode der Autoren, nicht eine externe Validierung im Produktivbetrieb. [2]

Ergebnisse auf sechs Benchmarks

Die Evaluation umfasst 688 Fragen aus sechs Benchmark-Sätzen: AIME 2024, AIME 2025 und AIME 2026 für Mathematik, PolyMATH, GPQA-Diamond für wissenschaftliches Fragenbeantworten sowie HotpotQA für mehrstufige Informationssuche. Der Volltext weist die Gesamtgenauigkeit als über alle Fragen mikro-gemittelten Wert aus. Die verglichenen Systeme nutzen den Modell-Backbone Qwen3.5-27B; für die Workflow-Vergleiche bleiben Laufzeit und Unteragenten gleich. [2]

Im erzwungenen Modus muss der Hauptagent als erste substanzielle Aktion einen Workflow aufrufen. DynaFlow erreicht darin laut Tabelle 88,08 Prozent Gesamtgenauigkeit. Als stärkste ausgewiesene Vergleichsbasis nennt die Tabelle Self-Refine mit 77,18 Prozent; der Abstand beträgt somit 10,90 Prozentpunkte, wie auch das Abstract der neueren arXiv-Fassung berichtet. Das ist ein Ergebnis innerhalb des beschriebenen Versuchsaufbaus, keine unabhängige Bestätigung außerhalb der Studie. [1] [2]

Die Werte unterscheiden sich je nach Aufgabe. Im erzwungenen Modus erzielt DynaFlow bei allen drei AIME-Sätzen 100 Prozent, bei PolyMATH 90,50 Prozent und bei HotpotQA 83,50 Prozent. Bei GPQA-Diamond liegt der Wert dagegen bei 84,85 Prozent. Dort schneiden die in der Tabelle aufgeführten Vergleichssysteme Self-Refine mit 88,38 und AFlow mit 87,37 Prozent besser ab. Der starke Gesamtwert bedeutet daher nicht, dass DynaFlow in jedem einzelnen Benchmark vorn liegt. [2]

Auch ein direkter Vergleich der Gesamtwerte sollte die Bedingungen berücksichtigen: Der erzwungene Modus testet die Workflow-Erstellung, indem er die anfängliche Wahl zwischen direkter Antwort und Zusammenarbeit ausschließt. Er beantwortet damit eine andere Frage als ein System, das selbst entscheidet, ob zusätzliche Agenten nötig sind. [2]

Dynamische Auswahl spart Workflow-Aufrufe – im Benchmark

Im dynamischen Modus darf der Hauptagent zunächst zwischen einer direkten Antwort und einem Workflow wählen. DynaFlow erreicht dabei 87,94 Prozent Genauigkeit, also annähernd den Wert des erzwungenen Modus. Laut Volltext beantwortet das System 47,1 Prozent der Fragen ohne Workflow; im Mittel kommen 3,44 Agentenrollen pro Frage zum Einsatz. [2]

Für Unternehmen ist diese Unterscheidung analytisch relevant: Ein System, das unnötige Zusammenarbeit vermeidet, könnte den Einsatz zusätzlicher Agenten begrenzen. Die Benchmark-Ergebnisse zeigen jedoch zunächst nur die Häufigkeit der Workflow-Nutzung und die Antwortgenauigkeit. Sie belegen keine konkreten Einsparungen bei Laufzeit, Rechenkosten oder Betriebskosten; entsprechende Messwerte sind in den hier vorliegenden Quellen nicht ausgewiesen. [2]

Die Differenz zwischen dynamischem und erzwungenem Modus beträgt in der Tabelle 0,14 Prozentpunkte zugunsten des erzwungenen Modus. Diese Nähe spricht dafür, dass die Auswahlentscheidung im untersuchten Testbestand nicht mit einem großen Genauigkeitsverlust einherging. Ob sich das auf andere Aufgaben, Daten oder Produktionsumgebungen übertragen lässt, ist damit nicht gezeigt. [2]

Informationsfluss als zentrale Qualitätsfrage

Die Autoren untersuchen nicht nur, ob eine Endantwort korrekt ist, sondern auch, wie Zwischenergebnisse durch den Workflow wandern. Ihre Auswertung berichtet nach dem Training eine explizitere Nutzung, Prüfung und Weiterverarbeitung von Ergebnissen früherer Arbeitsschritte. Als wichtige Dimension erfolgreicher Orchestrierung hebt die Arbeit deshalb den Informationsfluss zwischen den Stufen hervor. [1] [2]

Das ist für mehrstufige Aufgaben bedeutsam, weil parallele Agentenarbeit allein noch keine verlässliche Zusammenarbeit garantiert. Wenn ein nachgelagerter Agent den benötigten Kontext nicht erhält oder ein Prüfer auf eine vorgegebene Lösung festgelegt wird, kann ein formal funktionierender Ablauf trotzdem zu einem falschen Ergebnis führen. Die von den Autoren verwendeten Fehlerkategorien adressieren genau diese Risiken. [2]

Als Analyse lässt sich daraus ableiten, dass Unternehmen Agentensysteme nicht nur anhand der Endantwort bewerten sollten. Für einen belastbaren Betrieb wären auch Übergaben, Abhängigkeiten, Prüfregeln und die Nachvollziehbarkeit einzelner Aufrufe relevant. DynaFlow liefert hierfür ein technisches Konzept mit Ausführungsspuren; die Quelle belegt aber nicht, dass damit bereits Anforderungen an Auditierbarkeit, Datenschutz oder Governance in einer konkreten Organisation erfüllt wären. [2]

Einordnung für den Unternehmenseinsatz

Der Ansatz verschiebt einen Teil der Systemgestaltung vom vorab festgelegten Prozess zur Laufzeitentscheidung des Modells. Das kann die Anpassung an Aufgaben erleichtern, bei denen manche Schritte parallel und andere abhängig voneinander ausgeführt werden müssen. Für die technische Integration entstehen zugleich Anforderungen: Der Hauptagent muss ausführbaren Code erzeugen, die Laufzeit muss diesen kontrolliert ausführen und die Weitergabe von Zwischenergebnissen muss korrekt umgesetzt werden. Die Studie beschreibt eine budgetbeschränkte Ausführungsumgebung, berichtet in den vorliegenden Auszügen aber keine vollständigen Kennzahlen zu Ressourcenverbrauch oder Betriebskosten. [2]

Das Training nur des Hauptagenten könnte es grundsätzlich erlauben, bestehende Unteragenten weiterzuverwenden, statt alle Modelle gemeinsam neu zu trainieren. Im Experiment ist diese Trennung methodisch nützlich, weil die Autoren Veränderungen der Koordination bei gleichbleibenden Unteragenten untersuchen können. Ein wirtschaftlicher Vorteil oder eine einfachere Einführung in beliebige Unternehmensarchitekturen folgt daraus nicht automatisch. [1] [2]

Für eine betriebliche Bewertung wären daher zusätzliche Fragen zu prüfen: Wie stabil sind die Ergebnisse bei unternehmensspezifischen Aufgaben? Wie häufig erzeugte Workflows müssen korrigiert werden? Welche Sicherheitskontrollen gelten für ausführbaren Code und Agentenaufrufe? Und wie verändern sich Latenz und Kosten bei realistischen Lasten? Die vorliegenden Benchmark-Auszüge beantworten diese Fragen nicht; sie belegen die Leistungswerte nur für den beschriebenen Versuchsaufbau. [2]

Aussagekraft und offene Grenzen

Die Resultate sind als Forschungsergebnis einzuordnen: Die arXiv-Seite führt eine überarbeitete Fassung v2 vom 29. Oktober 2026, während der ausführliche verfügbare Volltext hier die Fassung v1 vom 25. Oktober 2026 ist. Die Quellen enthalten keine unabhängige Replikation der Benchmarks. Die Kennzahlen sollten deshalb als von den Autoren berichtete Ergebnisse und nicht als externe Bestätigung verstanden werden. [1] [2]

Die Evaluation beruht auf 688 Fragen, sechs Benchmarks und einem angegebenen Backbone, Qwen3.5-27B. Das ermöglicht einen strukturierten Vergleich innerhalb dieses Rahmens, lässt aber offen, wie sich DynaFlow mit anderen Modellfamilien, größeren oder fortlaufend wechselnden Datensätzen und konkreten Unternehmensdaten verhält. [2]

Zudem zeigt der GPQA-Diamond-Wert, dass ein hoher Gesamtwert nicht jede fachliche Schwäche ausschließt: DynaFlow liegt dort unter den verglichenen Self-Refine- und AFlow-Werten. Für Unternehmen, deren Einsatzgebiet wissenschaftliche oder spezialisierte Fragen umfasst, wäre deshalb eine aufgabenspezifische Evaluation wichtiger als die Übertragung des aggregierten Gesamtergebnisses. [2]

DynaFlow liefert damit vor allem einen Ansatz, Orchestrierung als erlernte Fähigkeit des Hauptagenten zu behandeln: Der Agent plant Workflows, berücksichtigt ihre Ausführung und kann auf Zwischenergebnisse reagieren. Die Studie berichtet deutliche Benchmark-Gewinne und eine selektive Nutzung von Workflows, lässt aber praktische Fragen zu Kosten, Laufzeit, Sicherheit und Übertragbarkeit offen. [1] [2]

Quellen

1. [1] [2610.34467v2] DynaFlow: Learning Free-Form Multi-Agent Orchestration — https://arxiv.org/abs/2610.34467v2 (abgerufen am 2026-10-30)
2. [2] DynaFlow: Learning Free-Form Multi-Agent Orchestration — https://arxiv.org/html/2610.34467v1 (abgerufen am 2026-10-30)