यह शोधपत्र एजेंट वर्कफ़्लो पर केंद्रित है, जहाँ कई AI एजेंट जटिल कार्य (जैसे, तर्क, योजना, आदि) करते हैं। इन वर्कफ़्लो का प्रदर्शन काफी हद तक उन संकेतों पर निर्भर करता है जो प्रत्येक एजेंट की भूमिका का मार्गदर्शन करते हैं, और गलत संकेत समग्र सिस्टम प्रदर्शन को ख़राब कर सकते हैं। इस समस्या के समाधान के लिए, हम एक नवीन अनुमान समय अनुकूलन विधि, प्रोरिफाइन, प्रस्तुत करते हैं। प्रोरिफाइन, बिना किसी अतिरिक्त प्रशिक्षण या सही लेबलिंग की आवश्यकता के, LLM एजेंटों के एक लूप के माध्यम से पाठ्य फ़ीडबैक उत्पन्न और लागू करके बहु-चरण अनुमान कार्यों के लिए संकेतों को गतिशील रूप से बेहतर बनाता है। पाँच गणितीय अनुमान बेंचमार्क डेटासेट पर, प्रोरिफाइन एक ज़ीरो-शॉट चेन-ऑफ-थॉट बेसलाइन मॉडल से 3-37% बेहतर प्रदर्शन करता है, और छोटे मॉडलों के प्रदर्शन को बड़े मॉडलों के प्रदर्शन के बराबर बढ़ाने में अपनी प्रभावशीलता भी प्रदर्शित करता है। यह लागत-प्रभावी और शक्तिशाली हाइब्रिड AI प्रणालियों के निर्माण और उच्च-प्रदर्शन AI की पहुँच में सुधार करने में इसके योगदान की क्षमता का संकेत देता है।
