论文摘要：面向企业LLM智能体系统的结构化规划框架
Routine: A Structural Planning Framework for LLM Agent System in Enterprise
🎯 核心问题 (Problem)
- 🤔LLM智能体在企业环境中部署时，因缺乏领域知识，常导致规划混乱、执行不稳定。
💡 解决方案 (Solution)
- 🚀提出名为 Routine 的多步代理规划框架，通过清晰结构、明确指令和无缝参数传递来指导智能体。
- 🛠️核心机制是为执行模块提供一个预设的、稳定的“剧本”，让其专注于执行而非复杂的自主规划。
📊 关键结果 (Key Results)
- 📈事实： 使用Routine后，GPT-4o的工具调用准确率从 41.1% 大幅提升至 96.3%。
- 📈事实： Qwen3-14B的准确率从 32.6% 提升至 83.3%。
- 🧠事实： 通过知识蒸馏训练后，Qwen3-14B的准确率进一步提升至 95.5%，性能逼近GPT-4o。
🏆 核心贡献与价值 (Contributions & Value)
- ✨观点： 证明了预设的结构化规划能有效弥补LLM规划能力的不足，显著提升在特定场景下的执行稳定性和准确性。
- 🔑观点： 提供了通过知识蒸馏将专家模式（Routine）内化到轻量级模型的方法，实现了低成本、高性能的场景定制。
- 🌍观点： 为企业构建稳定、可靠、可扩展的智能体工作流提供了切实可行的技术路径，推动了“AI for Process”的愿景。