--- title: "Agentic Workflows — ایجنٹک ورک فلو" source: "https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88" wiki: "systems-analysis.info/int" article: "Agentic_Workflows_—_ایجنٹک_ورک_فلو" language: "ur" categories: - "Category:AI Agents" - "Category:Large language models" - "Category:Machine learning" - "Category:Urdu" revision_id: 221 wiki_created_at: 2026-09-06T22:30:36Z wiki_modified_at: 2026-09-06T22:30:36Z downloaded_at: 2026-09-07T22:38:49Z --- # Agentic Workflows — ایجنٹک ورک فلو **ایجنٹک ورک فلو** (**Agentic Workflows**) — یہ متحرک کثیر مرحلاتی عمل ہیں جن میں بڑے زبانی ماڈلز (LLM) پر مبنی خودمختار AI-ایجنٹ انسان کی کم سے کم شرکت کے ساتھ خود فیصلے کرتے، اقدامات انجام دیتے اور کاموں کو مربوط کرتے ہیں[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-ibm_what_is-1)۔ ایسے نظاموں میں LLM کو نہ صرف ایک سوال کا جواب تیار کرنے کے لیے بلکہ اقدامات کی ترتیب کی منصوبہ بندی، بیرونی اوزاروں کے ساتھ تعامل اور نتیجے کی تکراری بہتری کے لیے بھی استعمال کیا جاتا ہے۔ روایتی آٹومیشن کے برعکس، جو سخت طور پر پروگرام کیے گئے قواعد پر مبنی ہوتی ہے، ایجنٹک طریقے لچکدار ہوتے ہیں — یہ نئے ڈیٹا اور غیر متوقع حالات کے مطابق خود کو ڈھال سکتے ہیں۔ ایجنٹک ورک فلو سادہ LLM کال (مثلاً متن کا خلاصہ کرنے کے لیے) سے اس لحاظ سے مختلف ہے کہ ایجنٹ کو اقدامات کے انتخاب میں خودمختاری دی جاتی ہے، جس میں منصوبہ بندی، اوزاروں کا استعمال اور خود اصلاح شامل ہے[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-weaviate_blog-2)۔ ## ایجنٹک Workflow کے اجزاء اور فن تعمیر ایجنٹک ورک فلو مقصد کے حصول کے لیے کئی اہم اجزاء کو یکجا کرتا ہے۔ ### AI-ایجنٹ اور LLM عمل کے مرکز میں **AI-ایجنٹ** ہوتا ہے — ایک خودمختار پروگرام جو صارف یا نظام کی جانب سے کام کرتا ہے۔ ایجنٹ کا کلیدی جزو بڑا زبانی ماڈل ہے، جو قدرتی زبان میں ہدایات سمجھنے اور ضروری استدلال تیار کرنے کی صلاحیت فراہم کرتا ہے۔ ایجنٹ کے کام کا معیار prompt engineering پر کافی حد تک منحصر ہے — مختلف اشارہ جاتی اسکیمیں (مثلاً Chain-of-Thought) LLM کو مطلوبہ کام کے انداز پر ترتیب دینے میں مدد کرتی ہیں[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-ibm_what_is-1)۔ ### اوزار (بیرونی اقدامات تک رسائی) چونکہ LLM کا علم اس کے تربیتی ڈیٹا تک محدود ہوتا ہے، اس لیے ایجنٹ کو بیرونی **اوزار** فراہم کیے جاتے ہیں جو اس کی صلاحیتوں کو وسعت دیتے ہیں۔ اوزاروں میں علم کے ذخیروں، تلاشی نظاموں، API، کوڈ interpreters اور دیگر ایپلیکیشنز تک رسائی شامل ہو سکتی ہے۔ ان کی مدد سے ایجنٹ تازہ ترین معلومات حاصل کرتا ہے یا ماڈل سے باہر حقیقی اقدامات انجام دیتا ہے[\[2\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-weaviate_blog-2)۔ ### یادداشت اور سیاق و سباق ایجنٹک workflow کی امتیازی خصوصیت یادداشت کے طریقہ کار کی موجودگی ہے، جو ایجنٹ کو پچھلے تجربے اور سیاق و سباق کو مدنظر رکھنے کی اجازت دیتی ہے۔ - **قلیل مدتی یادداشت** موجودہ سیشن کے دوران حالیہ معلومات (مثلاً مکالمے کی تاریخ) کو محفوظ رکھتی ہے۔ - **طویل مدتی یادداشت** بہت سے رنز میں جمع کیے گئے علم اور نتائج کو ذخیرہ کرتی ہے، اکثر بیرونی ذخیروں (مثلاً ویکٹر ڈیٹا بیس) کے استعمال سے[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-ibm_autogpt-3)۔ ### فیڈ بیک اور اصلاح فیڈ بیک کے طریقہ کار قابل اعتمادی بڑھانے میں اہم کردار ادا کرتے ہیں۔ ایجنٹ کام کے عمل درآمد کے ماحول سے، معاون *نقاد* ماڈل سے، یا انسان سے (*human-in-the-loop* موڈ میں) feedback حاصل کر سکتا ہے۔ مثال کے طور پر، **Reflexion** نظام اندرونی خود-فیڈ بیک نافذ کرتا ہے: ایجنٹ اپنی غلطیوں کا تجزیہ کرتا ہے اور بعد کی کوششوں کو بہتر بنانے کے لیے *افکار* کو یادداشت میں محفوظ کرتا ہے[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-reflexion_paper-4)۔ ### کثیر ایجنٹ ترتیبیں پیچیدہ منظرناموں میں کثیر ایجنٹ فن تعمیر استعمال کیا جاتا ہے، جہاں کئی خصوصی ایجنٹ آپس میں تعامل کرتے ہیں۔ مثال کے طور پر، *منصوبہ ساز* ایجنٹ ذیلی کام مقرر کرتا ہے، اور کئی *عمل درآمد* ایجنٹ اپنے مخصوص کام (ڈیٹا تلاش، حساب وغیرہ) انجام دیتے ہیں[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-ibm_what_is-1)۔ ## ایجنٹس کے کام کے نمونہ جاتی patterns اور الگورتھم اگرچہ ایجنٹک LLM نظاموں کا کوئی آفاقی معیاری فن تعمیر ابھی تک وضع نہیں ہوا، لیکن 2023–2024 میں بار بار دہرائے جانے والے patterns سامنے آنے لگے[\[5\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-vellum_guide-5)۔ - **مرحلہ وار منصوبہ بندی (Prompt Chaining)**۔ کام کو LLM کالز کی ایک زنجیر کی مدد سے مراحل کی ترتیب میں تقسیم کیا جاتا ہے۔ ہر مرحلے کو پچھلے کا نتیجہ بطور ان پٹ ملتا ہے اور وہ مجموعی کام کا حصہ انجام دیتا ہے۔ یہ طریقہ تعبیر پذیری بہتر کرتا ہے، مگر کم لچکدار ہے۔ - **راستہ بندی اور اوزار کا انتخاب (Router Pattern)**۔ ایجنٹ پہلے ان پٹ کام کی قسم درجہ بند کرتا ہے، پھر اسے حل کرنے کے لیے خصوصی عمل یا اوزار منتخب کرتا ہے، ڈسپیچر کی طرح کام کرتے ہوئے۔ - **حل کی متوازی تلاش**۔ ایک خطی سوچ کی بجائے ایک ہی وقت میں حل کے کئی متبادل تلاش کیے جاتے ہیں۔ اس کی مثال Tree-of-Thoughts طریقہ ہے، جہاں ایجنٹ استدلال کی زنجیر کو درخت کی مانند شاخوں میں تقسیم کرتا ہے، ہر مرحلے پر کئی *خیال* امیدوار تیار کرتا ہے اور سب سے زیادہ امید افزا کا انتخاب کرتا ہے[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-tot_paper-6)۔ - **عکاسی اور خود اصلاح**۔ ایجنٹ اپنے فیصلوں کا تنقیدی جائزہ لیتا ہے اور غلطیوں سے سیکھتا ہے۔ Reflexion طریقے میں ایجنٹ ہر کوشش کے بعد نتیجے کا تجزیہ کرتا ہے اور نتائج کو محفوظ کرتا ہے جو بعد کے چکروں میں کام آتے ہیں[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-reflexion_paper-4)۔ ## معروف طریقوں کی مثالیں - **ReAct** (*Reasoning and Acting*) — ایک بنیادی طریقہ (2022) جو استدلال اور عمل کو یکجا کرتا ہے۔ LLM باری باری منطقی نتائج (*thoughts*) اور مخصوص اقدامات (*actions*) تیار کرتا ہے، جو اوزاروں کی مدد سے انجام دیے جاتے ہیں[\[7\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-react_paper-7)۔ - **Reflexion** (2023) — خود عکاسی کا ایک framework جو ایجنٹس کو ماڈل کے وزن کو اپ ڈیٹ کیے بغیر، متنی فیڈ بیک کے ذریعے اپنی غلطیوں سے سیکھنے کی اجازت دیتا ہے[\[4\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-reflexion_paper-4)۔ - **Tree-of-Thoughts (ToT)** (2023) — ایک framework جو حل کی تلاش کو درختی شکل میں منظم کرنے کے لیے Chain-of-Thought کے خیال کو عمومی شکل دیتا ہے، جو ماڈل کو واقعات کی ترقی کے کئی متبادل سوچنے کی اجازت دیتا ہے[\[6\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-tot_paper-6)۔ - **Auto-GPT** (2023) — مکمل طور پر خودمختار ایجنٹک workflow کا مظاہرہ کرنے والے پہلے وسیع پیمانے پر مشہور کھلے منصوبوں میں سے ایک۔ یہ نظام خصوصی GPT-4-ایجنٹس کا ایک گروہ تیار کرتا ہے جو مشترکہ طور پر صارف کی طرف سے دیے گئے اعلیٰ سطحی مقصد کے حصول کے لیے مراحل کی منصوبہ بندی اور عمل درآمد کرتے ہیں[\[3\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-ibm_autogpt-3)۔ ## اطلاق اور اثر ایجنٹک طریقے بہت سے شعبوں میں استعمال ہوتے ہیں جہاں ذہین آٹومیشن اور لچک کی ضرورت ہوتی ہے۔ - **کاروباری عمل**: ایجنٹک نظام تکنیکی مدد کے چیٹ بوٹس کی صلاحیتوں کو وسعت دیتے ہیں، جو خود مسائل کی تشخیص کر کے حل تلاش کر سکتے ہیں۔ انہیں مالیات، انسانی وسائل کے انتظام اور مارکیٹنگ میں بھی استعمال کیا جاتا ہے[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-ibm_what_is-1)۔ - **تخلیقی تخمینے**: خودمختار LLM-ایجنٹس برادریوں یا کرداروں کے پیچیدہ رویے کو نمونہ بند کر سکتے ہیں۔ *Generative Agents* (Park et al., 2023) میں مختلف شخصیات سے نوازے گئے درجنوں GPT-ایجنٹس نے ایک ماڈل شہر میں سماجی زندگی کی قابل یقین نقل پیش کی۔ Gartner کے تجزیہ کاروں کے اندازے کے مطابق، ایجنٹک AI (*Agentic AI*) کو 2025 کے اسٹریٹجک تکنیکی رجحانات میں شامل کیا گیا ہے[\[1\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-ibm_what_is-1)۔ ## مسائل اور ترقی کے امکانات کامیابیوں کے باوجود، ایجنٹک LLM نظام ابھی بھی ایک نئی اور پیچیدہ ٹیکنالوجی ہیں۔ - **وسائل کے اخراجات**: منصوبہ بندی، تلاش یا خود تجزیے کا ہر اضافی مرحلہ LLM کی ایک علیحدہ کال ہے، جو عمل درآمد کا وقت اور لاگت بڑھاتا ہے۔ - **رویے کی غیر یقینی صورتحال**: ایجنٹ کو جتنی زیادہ آزادی ہو، اتنا ہی مشکل ہوتا ہے کہ وہ کون سا راستہ اختیار کرے گا اس کی ضمانت دی جائے۔ اس کے لیے پابندیوں اور حفاظتی طریقہ کار (*guardrails*) کے نفاذ کی ضرورت ہوتی ہے۔ - **معیار کی جانچ اور ڈیبگنگ**: غلطیاں تلاش کرنے کے لیے کثیر مرحلاتی نظاموں کے وسیع لاگز کا تجزیہ کرنا ایک غیر معمولی کام ہے۔ - **سلامتی اور اخلاقیات**: AI کی خودمختاری بڑھنے کے ساتھ، یہ یقینی بنانا ضروری ہو جاتا ہے کہ ایجنٹ صارف اور معاشرے کے مفاد میں کام کریں۔ مستقبل کی تحقیق آفاقی اوزار استعمال کرنے کے ذرائع بنانے، یکساں مربوط workflow تیار کرنے اور ایجنٹک نظاموں کی کارکردگی بہتر بنانے پر مرکوز ہے[\[8\]](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_note-survey_li_2024-8)۔ ## حوالہ جات - IBM کی جانب سے ایجنٹک ورک فلو کا جائزہ - Anthropic کی جانب سے مؤثر AI-ایجنٹس بنانے کی رہنمائی ## کتابیات - 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. ## حواشی 1. ↑ [1.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-ibm_what_is_1-0) [1.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-ibm_what_is_1-1) [1.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-ibm_what_is_1-2) [1.3](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-ibm_what_is_1-3) [1.4](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-ibm_what_is_1-4) «What are Agentic Workflows?». *IBM*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-weaviate_blog_2-0) [2.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-weaviate_blog_2-1) «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». *Weaviate*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-ibm_autogpt_3-0) [3.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-ibm_autogpt_3-1) «What is AutoGPT?». *IBM*. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-reflexion_paper_4-0) [4.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-reflexion_paper_4-1) [4.2](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-reflexion_paper_4-2) Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. [4] 5. [↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-vellum_guide_5-0) «Agentic Workflows in 2025: The ultimate guide». *Vellum.ai*. [5] 6. ↑ [6.0](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-tot_paper_6-0) [6.1](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-tot_paper_6-1) Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. [6] 7. [↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. [7] 8. [↑](https://systems-analysis.info/int/Agentic_Workflows_%E2%80%94_%D8%A7%DB%8C%D8%AC%D9%86%D9%B9%DA%A9_%D9%88%D8%B1%DA%A9_%D9%81%D9%84%D9%88#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. [8]