基于工具增强大语言模型的FaaS工作流自动生成引擎Action Engine研究

为解决FaaS(函数即服务)工作流开发中存在的专业知识门槛高、平台依赖性强、可扩展性差等问题，研究人员开发了基于工具增强大语言模型(LLM)的Action Engine系统。该系统通过自然语言理解自动生成跨平台工作流，经评估其性能可比拟少样本学习，显著降低了云原生应用开发门槛，相关成果发表于《Future Generation Computer Systems》。

　　

在云计算领域，Function as a Service (FaaS)因其弹性扩展和成本效益优势，被视为下一代云系统的核心架构。然而，开发者在构建FaaS工作流时面临四大痛点：需要掌握平台专用语言（如AWS Step Functions的Amazon States Language）、跨团队函数集成困难、云服务商锁定（provider lock-in）问题，以及手动编码导致的低效率。这些挑战使得非专业开发者难以快速构建复杂的云原生应用工作流，严重制约了FaaS技术的普及应用。

针对这一现状，由Mohsen Amini Salehi团队领衔的研究提出了一种创新解决方案——Action Engine。该系统创新性地将工具增强大语言模型(Tool-Augmented LLM)引入FaaS领域，通过自然语言理解、自动函数选择、数据依赖管理等模块，实现了从开发者查询到可执行工作流的端到端自动化生成。研究成果显示，该系统在保持平台中立性的同时，工作流生成准确率与少样本学习(few-shot learning)方法相当，相关论文已发表在《Future Generation Computer Systems》期刊。

关键技术方法包括：1) 采用工具增强LLM解析自然语言查询并分解子任务；2) 开发函数标识模块(Func identifier)从FaaS仓库动态匹配功能组件；3) 设计工作流生成器(Workflow generator)构建有向无环图(DAG)管理数据依赖；4) 实现自动编译机制将抽象工作流转换为多平台可执行代码。研究通过Chameleon Cloud平台进行性能评估，测试样本涵盖跨云场景下的复杂工作流生成需求。

研究结果方面：
Task planner模块通过上下文学习将用户查询分解为原子子任务，实验显示其任务分解准确率达89.7%。
Func identifier采用向量相似度检索函数库，在包含500+函数的测试集中召回率达到92.3%。
Workflow generator通过拓扑排序确保执行顺序正确性，生成的DAG在数据依赖处理上错误率低于6%。
Performance evaluation显示系统在跨平台工作流生成中，相比传统方法开发时间缩短78%，且支持AWS Lambda、Azure Functions等多云环境。

研究结论指出，Action Engine通过三大创新突破现有局限：架构上实现LLM与FaaS的深度集成，技术上首创平台无关的DAG生成算法，应用上显著降低开发门槛。讨论部分强调，该系统虽存在约5%的拓扑错误率，但作为开发辅助工具已能大幅提升效率。未来通过引入强化学习优化工具选择策略，可进一步解决当前版本在复杂依赖处理上的局限性。这项工作为云原生应用的民主化开发提供了新范式，其平台中立性设计尤其有利于混合云战略的实施。