[Paper] 通过分步和回滚支持的操作编排实现复杂文档工作流自动化

Source: arXiv - 2512.04445v1

请提供您希望翻译的具体文本内容，我将为您翻译成简体中文。

Overview

本文提出了 AutoDW，一个新框架，使大型语言模型（LLM）能够以细粒度控制和内置回滚功能来编排复杂的多步骤文档处理工作流。通过将用户的高层请求拆分为一系列可以即时撤销或纠正的 API 调用，AutoDW 弥合了“单次调用”LLM 助手与真实办公软件中所需的稳健、会话级自动化之间的差距。

关键贡献

• 逐步规划引擎，在用户意图、过滤后的候选 API 和当前文档状态的基础上，增量选择并条件化 API 操作。
• 双层回滚机制（参数层级和 API 层级），自动恢复错误操作，实现容错的长时程执行。
• 全面基准测试，涵盖 250 个真实文档处理会话（1,708 条人工标注指令），包括编辑、格式化、数据抽取和版本控制等相互依赖的任务。
• 显著的实证提升：指令级完成率 90 %，会话级完成率 62 %，分别比最佳基线高出 40 % 和 76 %。
• 骨干模型无关设计，可适配不同 LLM，并在任务难度层级上实现可扩展性。

方法论

1. Intent Extraction – 用户的自然语言请求由 LLM 解析，以推断高层目标（例如，“在添加新章节后更新目录”）。
2. Candidate API Filtering – 使用推断出的意图对文档操作 API 库（例如 insert_paragraph、apply_style、save_version）进行筛选，将搜索范围缩小到最相关的操作。
3. Stepwise Planning – 对于每一步，系统提示 LLM 生成具体的 API 调用及其参数，依据 当前文档状态（以轻量级 JSON 快照形式捕获）。计划立即执行，并更新状态。
4. Rollback‑Enabled Execution –
   • Argument‑level rollback：如果参数无效（例如，段落索引不存在），系统会自动在 API 调用前修正参数。
   • API‑level rollback：如果 API 调用导致意外的文档更改，框架会将文档恢复到之前的快照，并让 LLM 提出替代步骤。
5. Iterative Loop – 该过程循环进行，直至满足用户的高层目标或达到终止条件（最大步数、超时）。

整个管道由轻量级控制器编排，记录每一次操作，便于调试和审计追踪。

结果与发现

关键要点

• 回滚机制显著降低错误传播，尤其是在长会话中，单个错误可能导致整个工作流脱轨。
• 增量的状态感知规划比一次性“计划‑然后‑执行”方法产生更精确的 API 参数。
• AutoDW 的模块化 API 库使得在无需重新训练 LLM 的情况下，轻松扩展到新的文档格式（Word、LaTeX、HTML）。

实际意义

• 生产力工具: 将 AutoDW 集成到办公套件（如 Microsoft Office、Google Docs）中，用户可以用自然语言描述复杂编辑（例如“将所有标题转换为标题大小写并重新编号图表”），系统安全地执行这些操作。
• 企业自动化: 公司可以将 SOP（标准操作程序）编码为可重用的 API 库，让非技术人员通过单条聊天指令触发多步骤文档流水线（合同生成 → 合规检查 → 电子签名）。
• 开发者人机工程: 框架提供清晰的操作日志和回滚追踪，简化 LLM 驱动机器人调试，减少手动防护措施的需求。
• 合规与审计: 由于每一步都被记录且可逆，组织能够保留不可变的文档变更轨迹——这对受监管行业至关重要。

限制与未来工作

• API 覆盖范围：当前原型仅支持一套精选的文档操作 API；若要扩展到细分格式（如 CAD 图纸、法律 PDF），需要额外的工程工作。
• 状态快照的可扩展性：对于超大文档，维护完整快照以实现回滚会消耗大量内存；未来工作将探索基于差异的存储方案。
• 用户意图模糊：当指令不够明确时，系统可能生成次优方案；加入澄清对话有望提升鲁棒性。
• 向非文档领域的泛化：作者推测逐步回滚范式同样适用于其他工作流（如数据管道），但其经验验证仍留待后续研究。

AutoDW 为真正自主、抗错误的文档助理开辟了有前景的道路——将自然语言指令转化为可靠的多步骤操作，让开发者和终端用户都能放心使用。

作者

• Yanbin Zhang
• Hanhui Ye
• Yue Bai
• Qiming Zhang
• Liao Xiang
• Wu Mianzhi
• Renjun Hu

论文信息

• arXiv ID: 2512.04445v1
• 分类: cs.SE, cs.AI
• 出版时间: 2025年12月4日
• PDF: Download PDF