---
title: "Agentic Workflows — תהליכי עבודה סוכניים"
source: "https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D"
wiki: "systems-analysis.info/int"
article: "Agentic_Workflows_—_תהליכי_עבודה_סוכניים"
language: "he"
categories:
  - "Category:AI Agents"
  - "Category:Hebrew"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 220
wiki_created_at: 2026-09-06T22:30:35Z
wiki_modified_at: 2026-09-06T22:30:35Z
downloaded_at: 2026-09-07T22:38:49Z
---

# Agentic Workflows — תהליכי עבודה סוכניים

**תהליכי עבודה סוכניים** (**Agentic Workflows**) — הם תהליכים דינמיים רב-שלביים שבהם סוכני AI אוטונומיים המבוססים על מודלי שפה גדולים (LLM) מקבלים החלטות באופן עצמאי, מבצעים פעולות ומתאמים משימות עם מעורבות מינימלית של בני אדם<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-ibm_what_is-1)</sup>. במערכות כאלה, ה-LLM משמש לא רק לייצור תשובה לשאילתה אחת, אלא גם לתכנון רצף פעולות, אינטראקציה עם כלים חיצוניים ושיפור איטרטיבי של התוצאה.

בניגוד לאוטומציה המסורתית המבוססת על כללים מתוכנתים בצורה נוקשה, הגישות הסוכניות מאופיינות בגמישות — הן יכולות להסתגל לנתונים חדשים ולתנאים בלתי צפויים. תהליך עבודה סוכני שונה מקריאה פשוטה ל-LLM (לדוגמה, לצורך סיכום טקסט) בכך שהסוכן מקבל אוטונומיה בבחירת פעולות, הכוללת תכנון, שימוש בכלים ותיקון עצמי<sup>[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-weaviate_blog-2)</sup>.

## רכיבים וארכיטקטורה של workflow סוכני

תהליך עבודה סוכני משלב מספר רכיבים מרכזיים להשגת המטרה.

### סוכן AI ו-LLM

במרכז התהליך נמצא **סוכן ה-AI** — תוכנה אוטונומית הפועלת בשם המשתמש או המערכת. הרכיב המרכזי של הסוכן הוא מודל השפה הגדול, המספק הבנה של הוראות בשפה טבעית וייצור של הנמקות הנדרשות. איכות פעולת הסוכן תלויה במידה רבה בהנדסת prompt — תכניות prompt שונות (לדוגמה, Chain-of-Thought) מסייעות להתאים את ה-LLM לסגנון העבודה הנדרש<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-ibm_what_is-1)</sup>.

### כלים (גישה לפעולות חיצוניות)

מאחר שידע ה-LLM מוגבל לנתוני האימון שלו, הסוכן מקבל **כלים** חיצוניים המרחיבים את יכולותיו. הכלים יכולים לכלול גישה לבסיסי ידע, מנועי חיפוש, API, מפרשי קוד ויישומים אחרים. בעזרתם הסוכן משיג מידע עדכני או מבצע פעולות ממשיות מחוץ למודל עצמו<sup>[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-weaviate_blog-2)</sup>.

### זיכרון והקשר

מאפיין ייחודי של workflow סוכני הוא קיום מנגנון זיכרון המאפשר לסוכן להתחשב בניסיון ובהקשר הקודם.

- **זיכרון לטווח קצר** שומר מידע אחרון (לדוגמה, היסטוריית שיח) במסגרת הסשן הנוכחי.
- **זיכרון לטווח ארוך** שומר ידע ותוצאות שנצברו לאורך הרצות רבות, לעתים תוך שימוש במאגרי מידע חיצוניים (לדוגמה, מסדי נתונים וקטוריים)<sup>[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-ibm_autogpt-3)</sup>.

### משוב ותיקון

מנגנוני משוב ממלאים תפקיד חשוב בשיפור האמינות. הסוכן יכול לקבל feedback מסביבת ביצוע המשימה, ממודל עזר בתפקיד "מבקר" או מבני אדם (מצב human-in-the-loop). לדוגמה, מערכת **Reflexion** מממשת משוב עצמי פנימי: הסוכן מנתח את שגיאותיו שלו ושומר "הרהורים" בזיכרון כדי לשפר ניסיונות עתידיים<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-reflexion_paper-4)</sup>.

### תצורות רב-סוכניות

בתרחישים מורכבים נעשה שימוש בארכיטקטורה רב-סוכנית, שבה מספר סוכנים מתמחים מתקשרים זה עם זה. לדוגמה, סוכן "מתכנן" מגדיר תתי-משימות, ומספר סוכני "מבצעים" פותרים את משימותיהם הצרות (חיפוש נתונים, חישוב וכו')<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-ibm_what_is-1)</sup>.

## דפוסים ואלגוריתמים טיפוסיים של פעולת סוכנים

אף שארכיטקטורה סטנדרטית אוניברסלית למערכות LLM סוכניות טרם גובשה, בשנים 2023–2024 החלו להופיע דפוסים חוזרים<sup>[\[5\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-vellum_guide-5)</sup>.

- **תכנון שלב-אחר-שלב (Prompt Chaining)**. המשימה מפוצלת לרצף שלבים באמצעות שרשרת קריאות LLM. כל שלב מקבל כקלט את תוצאת הקודם ומבצע חלק מהמשימה הכוללת. גישה זו משפרת את הפרשנות אך פחות גמישה.
- **ניתוב ובחירת כלי (Router Pattern)**. הסוכן מסווג תחילה את סוג משימת הקלט, ולאחר מכן בוחר תהליך או כלי מיוחד לפתרונה, ופועל כמשגר.
- **חיפוש מקבילי של פתרונות**. במקום קו מחשבה ליניארי אחד, נחקרים בו-זמנית מספר וריאנטים של פתרון. דוגמה לכך היא גישת Tree-of-Thoughts, שבה הסוכן מסתעף את שרשרת ההיגיון כמו עץ, מייצר בכל שלב מספר "מחשבות" מועמדות ובוחר את המבטיחות ביותר<sup>[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-tot_paper-6)</sup>.
- **רפלקציה ותיקון עצמי**. הסוכן מעריך באופן ביקורתי את פתרונותיו שלו ולומד מטעויות. בשיטת Reflexion הסוכן מנתח את התוצאה לאחר כל ניסיון ושומר מסקנות שבהן ישתמש במחזורים עתידיים<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-reflexion_paper-4)</sup>.

## דוגמאות לגישות ידועות

- **ReAct** (*Reasoning and Acting*) — שיטה בסיסית (2022) המשלבת הנמקה ופעולה. ה-LLM מייצר לסירוגין מסקנות לוגיות (*thoughts*) וצעדי פעולה קונקרטיים (*actions*) המתבצעים בעזרת כלים<sup>[\[7\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-react_paper-7)</sup>.
- **Reflexion** (2023) — framework של רפלקציה עצמית המאפשר לסוכנים ללמוד מטעויותיהם באמצעות משוב טקסטואלי, ללא עדכון משקלי המודל<sup>[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-reflexion_paper-4)</sup>.
- **Tree-of-Thoughts (ToT)** (2023) — framework המכליל את רעיון ה-Chain-of-Thought לארגון חיפוש הפתרון בצורת עץ, המאפשר למודל לשקול מספר אפשרויות התפתחות<sup>[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-tot_paper-6)</sup>.
- **Auto-GPT** (2023) — אחד מהפרויקטים הפתוחים הידועים הראשונים המדגימים workflow סוכני אוטונומי לחלוטין. המערכת מייצרת קבוצה של סוכני GPT-4 מתמחים הפועלים יחד לתכנון וביצוע שלבים להשגת מטרה ברמה גבוהה שהוגדרה על ידי המשתמש<sup>[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-ibm_autogpt-3)</sup>.

## יישומים והשפעה

גישות סוכניות מוצאות יישום בתחומים רבים הדורשים אוטומציה אינטליגנטית וגמישות.

- **תהליכים עסקיים**: מערכות סוכניות מרחיבות את יכולות צ'אטבוטים של תמיכה טכנית, המסוגלים לאבחן בעיות ולמצוא פתרונות באופן עצמאי. הן משמשות גם בתחומי הפיננסים, ניהול כוח אדם ושיווק<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-ibm_what_is-1)</sup>.
- **סימולציות גנרטיביות**: סוכני LLM אוטונומיים יכולים לדמות התנהגות מורכבת של קהילות או דמויות. בעבודה «Generative Agents» (Park et al., 2023) עשרות סוכני GPT, שניחנו באישיויות שונות, חיקו באופן מהימן חיים חברתיים בעיירה מדומה.

לפי הערכת אנליסטי Gartner, AI סוכני (*Agentic AI*) נכלל ברשימת מגמות הטכנולוגיה האסטרטגיות לשנת 2025<sup>[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-ibm_what_is-1)</sup>.

## בעיות וסיכויי פיתוח

למרות ההצלחות, מערכות LLM סוכניות נותרות טכנולוגיה חדשה ומורכבת.

- **עלויות משאבים**: כל שלב נוסף של תכנון, חיפוש או ניתוח עצמי הוא קריאה נפרדת ל-LLM, מה שמגדיל את זמן הביצוע והעלות.
- **אי-צפיות ההתנהגות**: ככל שהסוכן מקבל יותר חופש, כך קשה יותר להבטיח איזה מסלול יבחר. הדבר מחייב הטמעת הגבלות ומנגנוני הגנה (*guardrails*).
- **הערכת איכות ואיתור שגיאות**: ניתוח לוגים נרחבים של מערכות רב-שלביות לאיתור שגיאות הוא משימה לא טריוויאלית.
- **בטיחות ואתיקה**: עם הגדלת האוטונומיה של AI עולה הצורך להבטיח שהסוכנים פועלים לטובת המשתמש והחברה.

מחקרים עתידיים מכוונים ליצירת אמצעים אוניברסליים לשימוש בכלים, פיתוח workflow אחידים מקצה לקצה ואופטימיזציה של יעילות המערכות הסוכניות<sup>[\[8\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_note-survey_li_2024-8)</sup>.

## קישורים חיצוניים

- סקירה של תהליכי עבודה סוכניים מאת IBM
- מדריך ליצירת סוכני AI אפקטיביים מאת Anthropic

## ספרות

- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688.
- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601.
- Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442.
- Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. arXiv:2305.16291.
- Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. DOI:10.1126/science.ade9097.
- Wang, L. et al. (2025). *A Survey on Large Language Model based Autonomous Agents*. arXiv:2308.11432.
- Li, X. (2024). *A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components*. arXiv:2406.05804.
- Jung, J. et al. (2024). *Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement*. arXiv:2407.18370.
- Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. arXiv:2502.12110.
- He, G. et al. (2025). *Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant*. arXiv:2502.01390.
- Huang, X. et al. (2024). *Understanding the Planning of LLM Agents: A Survey*. arXiv:2402.02716.
- Kuang, Z. et al. (2023). *PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents*. arXiv:2305.14564.

## הערות

1.  <span id="cite_note-ibm_what_is-1">↑ <sup>[1.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-ibm_what_is_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-ibm_what_is_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-ibm_what_is_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-ibm_what_is_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-ibm_what_is_1-4)</sup> «What are Agentic Workflows?». *IBM*. <a href="https://www.ibm.com/think/topics/agentic-workflows" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-weaviate_blog-2">↑ <sup>[2.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-weaviate_blog_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-weaviate_blog_2-1)</sup> «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». *Weaviate*. <a href="https://weaviate.io/blog/what-are-agentic-workflows" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-ibm_autogpt-3">↑ <sup>[3.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-ibm_autogpt_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-ibm_autogpt_3-1)</sup> «What is AutoGPT?». *IBM*. <a href="https://www.ibm.com/think/topics/autogpt" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-reflexion_paper-4">↑ <sup>[4.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-reflexion_paper_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-reflexion_paper_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-reflexion_paper_4-2)</sup> Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. <a href="https://arxiv.org/abs/2303.11366" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-vellum_guide-5">[↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-vellum_guide_5-0) «Agentic Workflows in 2025: The ultimate guide». *Vellum.ai*. <a href="https://www.vellum.ai/blog/agentic-workflows-emerging-architectures-and-design-patterns" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-tot_paper-6">↑ <sup>[6.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-tot_paper_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-tot_paper_6-1)</sup> Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. <a href="https://arxiv.org/abs/2305.10601" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-react_paper-7">[↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. <a href="https://arxiv.org/abs/2210.03629" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-survey_li_2024-8">[↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D7%AA%D7%94%D7%9C%D7%99%D7%9B%D7%99_%D7%A2%D7%91%D7%95%D7%93%D7%94_%D7%A1%D7%95%D7%9B%D7%A0%D7%99%D7%99%D7%9D#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. <a href="https://arxiv.org/html/2406.05804v1" class="external autonumber" rel="nofollow">[8]</a></span>