通用大模型在企业里最常犯的错不是不会调工具，而是挑错工具：面对 25 个功能相近的工具和一条有依赖关系的多步任务，它既不懂公司流程，也没人给它一张明确的路线图。 Routine 把任务写成「第几步、做什么、用哪个工具」的结构化脚本，交给一个专职执行的小模型；流程知识还可以被蒸馏进权重。
企业多步任务的瓶颈是工具选择：无 Routine 时所有基线模型整体准确率都不到 50%，工具选择错误占全部错误的 85% 以上。规划能力不够的模型，塞进一张明确路线图就能补齐大半。
Routine 就是那张路线图：每步给出编号、名称、描述、输入输出和唯一一个工具名，分支写成「Branch X-n Step i」。规划与执行解耦——高能力模型把专家草稿整理成 Routine，轻量执行模型只管「调哪个工具、传什么参数」。
三种增强互相叠加：提示词里的 Routine 补外部流程知识，通用 Routine 跟随微调 练服从格式的肌肉记忆，场景蒸馏 把流程知识烘焙进权重。Qwen3-14B 三步走下来 32.6 → 83.3 → 92.7 → 98.0（Routine w/o Branch），在蒸馏测试集上到 95.5%，逼近 GPT-4o 的 96.3%。
先分清「不会规划」和「不会选工具」——论文的数据说，后者才是主因。
实验场景是一家员工超过 8,000 人的大企业里真实部署的 HR Agent：员工向它查询人员与部门信息。场景拆成 7 个子场景、7 条人工标注的 Routine，每条 4–7 个工具调用步骤，每步 1–3 个输入参数；参数之间有依赖，所以顺序不能乱。可用工具来自一个 MCP server，共 25 个功能各异的工具，覆盖数据查询、权限校验、模型生成等。
不提供任何计划时，模型必须自己从这 25 个工具里选、自己排顺序、自己填参数。论文 Table 2 的结果是：8 个基线模型（4 个闭源、4 个开源）整体准确率没有一个超过 50%。拆开看错误构成，结构错误很少（GPT-4o 的结构准确率是 100），参数准确率也有 97.3，唯独工具选择只有 42.2。
论文明确写道：工具选择错误占全部错误的 85% 以上。也就是说，模型知道怎么输出合法 JSON、知道参数大概该填什么，但它在 25 个工具里挑不出一条正确的调用链——这恰恰是领域流程知识，不是通用推理。
另一层难点是流程本身：权限校验步骤不能漏、模型生成步骤要走专用工具、分支要看中间结果再决定。通用模型没有这些 SOP，规划自然写得七零八落。
于是问题可以写得很具体：能不能把流程知识从规划这一步剥出来，变成一份执行模型必须照做的结构化脚本？ 这正是 Routine 要回答的，也是前面几类做法卡住的地方。
论文 Related Work 把 2023–2025 年的智能体实践归纳成这样几路，Routine 瞄准的是它们的交汇处。
AutoGPT 的任务列表、BabyAGI 的自动目标生成、AutoGen 的工具调用 DAG。证明了 LLM 能自主拆解与编排，但暴露出上下文管理低效、执行流程碎片化、步骤爆炸和循环调用导致的成本波动。
先出高层计划、再逐子任务选工具，例如 Manus 的 Planner / Executor / Verifier 三段式。保留了灵活性也约束了规划，但计划仍以非结构化或半结构化自然语言呈现，难以校验、调试和复用。
流程天然稳定，但严重依赖人工搭建，工作流开发效率低，难以扩展到成百上千的业务流程；而且工具与模型之间的边界是写死的。
还有一路是「模型侧」的努力：IFEval、ComplexBench、IOPO / TRACE、GuideBench 都在压测指令跟随。论文引用 ComplexBench 的发现——GPT-4 在链式结构与深层嵌套选择上准确率明显下降，结构感知和分布外泛化是短板。单纯加大模型或换更强的 prompt 工程，不能解决「它不知道公司第 3 步要调权限工具」这件事。
Routine 这个名字并非凭空而来：它最早出现在 OpenAI Cookbook，用来把指令拆成更小、可管理的任务以降低幻觉。论文在此基础上补齐了组件（输入输出、工具名、分支房号），并把重心放在「执行模型能不能稳定照做」上——它把 Routine 当作 LLM 规划与执行引擎之间的中间表示。
Routine 的全部「方法」就是一份格式约定；它的价值在于把这几个字段位置固定死，让每一步都能被追踪与校验。
Table 1 列出一个完整 Routine 的组件，带 * 的是可选项：
| 组件 | 含义 | 必填 |
|---|---|---|
Step Number | 该步骤在主流程中的序号 | 是 |
Step Name | 步骤目的的精简概括 | 是 |
Step Description | 详细指令、执行条件与目标 | 是 |
Input Description | 执行本步所需参数说明 | 可选 * |
Output Description | 成功执行后产生的输出参数 | 可选 * |
Step Tool | 本步对应的函数工具，每步只调一个 | 可选 * |
Table 1 · Routine 的组件。工具名标成可选，但消融（Table 3）显示去掉它几乎全员掉点：GPT-4o 是唯一例外（96.3 → 96.7）。
相似场景的 Routine 常有重叠步骤，只在某一段分叉。论文的做法是在主流程里开分支步骤，用 Branch X-n Step i 命名——第 X 个主步骤的第 n 条分支里的第 i 步。执行模型据此判断自己在哪条分支、走到第几步；工作流在某步结束后要以「终止」描述出来。修改流程时，开发者可以快速插入、删除或编辑某一步。
自然语言 Routine 只是外显形式。Appendix A.1 的生成 prompt 让规划模型先输出 JSON 列表（step / name / description / tool / type，type 取 node、branch、branchnode 或 finish），再转写成人可读的执行步骤。同一条 Routine 有两种形态，前者便于机器校验与入库，后者交给人审和模型阅读。
另一处结构性设计是「谁来收尾」：最后一步不让执行模型自己用自然语言回答，而是调用一个专用的汇总工具，该工具配有场景专属模板。这样汇总 prompt 与工具调用 prompt 互不干扰，执行模型始终只做一件事。
Routine 是外部提示；要让小模型即使没有提示也稳，还需要数据合成与蒸馏。
底料是 BUTTON 开源数据集：8,000 条单轮多步工具调用实例，覆盖多种常见任务。用 GPT-4o 按专门模板为每条实例生成结构化 Routine，再按标准执行 prompt 重新拼系统提示，随后做三步过滤：
过滤后留下 4,209 条。这一步只教模型「读懂 Routine 语法并照做」，不教任何 HR 场景知识。
对 10 个无分支子场景各设计 5–6 个用户查询模板，用部门与员工信息填空，每个子场景约 50–60 条；清洗后得到 537 条用户查询，再用 LLM 生成语义等价的改写做数据增强。然后由 GPT-4o + Routine 作教师，对每一条蒸馏出完整的多步调用记录：每条 4–7 步，共 3,108 条标注的工具调用指令。另蒸馏 200 条用户查询（共 1,148 次工具调用）作为测试集。
教师执行时，Routine 在系统提示的 <routines> 标签里；工具返回的长结果不进上下文，只留一个键，由 <variables> 记账（见 05 节的变量内存）。学生模型因此看到的每条轨迹都是「专家流程 + 强模型执行」的干净样本。
| 项 | 设置 | 出处 |
|---|---|---|
| 训练框架 | LLaMA-Factory + DeepSpeed ZeRO-3 + Flash Attention-2 | §4.3.2 |
| 硬件 | 4 × NVIDIA A10（各 24GB） | §4.3.2 |
| LoRA rank | 8 | §4.3.2 |
| batch / 梯度累积 | 每卡 1 条 × 4 步 = 有效 batch 16 | §4.3.2 |
| 学习率 / warm-up | 1.0e-4 / 0.1 | §4.3.2 |
| 采样 checkpoint | 按验证集选 epoch 3 | §4.3.2 |
| 特殊 token | <routines>、<variables> 等注册进词表 | §4.3.1 |
Qwen3 系列训练时没有开启推理模式：目标是跟随 Routine，不需要用 thinking 去推工具调用，省下推理 token。序列长度被调到超过实际输入长度，避免预处理时截断多步调用链。
所有模型用 Berkeley Function-Calling Leaderboard（BFCL）的 FC 模式，按 AST 层级判定错误，再把 1,148 条样本拆成逐步的独立测试样本（每条带截至当前步的历史与当时的最新系统提示），并打乱工具列表顺序以排除位置偏置。三种配置对应 Routine 的有无与是否带分支：
只给用户查询，模型自己规划。基线。
给一条线性自然语言 Routine，考验指令跟随。
同一 Routine 但含条件分支，考验按中间结果选路。
评测用的 Routine 只含编号、名称、描述、工具四件，不含输入输出描述；组件影响见 06 节 Table 3。整体准确率 = 所有步骤结构、工具、参数全部正确的样本比例，是最严的口径。
论文 Figure 2 的系统架构中，只有执行模块直接接触用户任务；另外两个「取巧」的地方是程序内存与变量内存。
下面是论文 Appendix B 的示例思路改写成的 5 步 Routine（获取公告 → 下载手册 → 读 PDF → 比对文本 → 汇总），4 个工具 + 1 个汇总工具。系统提示里的块数按下面开关变化；点任一步，看执行模型在该步的系统提示里还剩下什么。
点击下方步骤卡切换当前步；切换上方模式会保留选中的步骤，便于对比同一步在三种配置下的账单。
示例流程取自论文 Appendix B 的 4 步自然语言 Routine（获取公告、下载手册、读 PDF、比对文本），页面多加了一个「生成公告摘要」步骤来演示变量内存的键。真实场景每条 Routine 4–7 步。
「上下文账单」是估算，不是论文数字：基线 3,000 token（角色规则 + 25 个工具描述 + 输出模板），Routine 每步约 9 token，变量键约 8 token，PDF 全文按 20k token、模型自写汇总按 1.2k token 计。论文明说减少 token 消耗，但没有报告这条流程的具体数字，所以页面只比较同一帧下三种模式的相对差值，并随当前步变化。
「丢掉工具名」几乎不省长度，但 Table 3 里它是单点掉分最大的改动（GPT-3.5 52.7 → 42.8，Qwen3-14B 83.3 → 71.9）：去掉的是信息，不是 token。GPT-4o 是唯一不受影响的模型（96.3 → 96.7）。
真实系统里变量内存由 Memory Module 在工具调用前后自动读写，执行模型只看到 memory_xxx 这样的键；模拟里把这一步显式画出来，方便看懂「长文本从哪里离开上下文」。
图里还有一条容易被忽略的线：Procedure Memory 的检索精度是整条链路的前提。论文 Table 5 显示，哪怕只多放 1 条干扰 Routine，GPT-4o 的准确率就从 96.3 掉到 76.6，Qwen3-14B 从 83.3 掉到 63.2——这一点放到 07 节展开。
Table 2 最重要的不是「都涨了」，而是谁涨、涨在哪、什么时候反而没涨。
四个观察，分别对应四类模型：
| 模型 | 训练数据 | No Routine | Routine w/ Branch | Routine w/o Branch | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 结构 | 工具 | 参数 | 整体 | 结构 | 工具 | 参数 | 整体 | 结构 | 工具 | 参数 | 整体 | ||
| GPT-3.5-Turbo | — | 99.8 | 26.0 | 95.3 | 22.1 | 99.8 | 53.8 | 98.2 | 52.7 | 99.9 | 59.7 | 98.1 | 58.5 |
| GPT-4-Turbo | — | 100 | 44.6 | 97.5 | 43.5 | 100 | 99.1 | 99.8 | 99.0 | 100 | 98.7 | 99.6 | 98.3 |
| GPT-4o | — | 100 | 42.2 | 97.3 | 41.1 | 100 | 96.3 | 99.9 | 96.3 | 100 | 97.0 | 99.9 | 97.0 |
| Claude-3.7-Sonnet | — | 97.7 | 46.5 | 96.6 | 43.9 | 100 | 99.7 | 99.7 | 99.3 | 99.2 | 99.6 | 99.3 | 98.0 |
| Qwen2.5-7B | — | 99.7 | 15.6 | 95.5 | 14.9 | 98.6 | 51.4 | 98.1 | 49.7 | 98.5 | 57.9 | 98.6 | 56.3 |
| Qwen2.5-14B | — | 99.3 | 20.3 | 96.5 | 19.4 | 97.8 | 83.4 | 96.9 | 79.1 | 98.4 | 82.7 | 97.2 | 79.2 |
| Qwen3-8B | — | 99.2 | 37.3 | 95.3 | 35.3 | 99.2 | 83.9 | 97.6 | 81.3 | 99.0 | 84.8 | 96.8 | 81.3 |
| Qwen3-14B | — | 94.1 | 36.5 | 94.9 | 32.6 | 96.0 | 88.3 | 98.3 | 83.3 | 97.0 | 87.8 | 98.2 | 83.6 |
| Qwen2.5-7B | Common | 93.6 | 25.1 | 95.2 | 22.4 | 97.6 | 89.0 | 98.6 | 85.7 | 96.9 | 90.7 | 98.7 | 86.8 |
| Qwen2.5-14B | Common | 91.1 | 34.6 | 98.1 | 30.9 | 97.2 | 90.0 | 98.4 | 86.1 | 97.6 | 94.3 | 98.8 | 90.9 |
| Qwen3-8B | Common | 95.3 | 26.3 | 93.4 | 23.4 | 96.3 | 88.3 | 97.2 | 82.8 | 97.4 | 94.4 | 97.2 | 89.3 |
| Qwen3-14B | Common | 97.3 | 35.1 | 97.2 | 33.2 | 98.2 | 92.0 | 97.7 | 88.2 | 99.0 | 94.8 | 98.8 | 92.7 |
| Qwen2.5-7B | Scenario | 99.7 | 88.8 | 99.1 | 87.8 | 99.7 | 94.1 | 99.7 | 93.5 | 99.7 | 95.2 | 99.5 | 94.4 |
| Qwen2.5-14B | Scenario | 99.8 | 88.1 | 99.4 | 87.5 | 100 | 97.9 | 99.6 | 97.5 | 99.8 | 98.4 | 99.8 | 98.1 |
| Qwen3-8B | Scenario | 100 | 89.4 | 99.4 | 88.9 | 99.8 | 94.4 | 99.3 | 93.6 | 99.9 | 96.9 | 99.3 | 96.2 |
| Qwen3-14B | Scenario | 99.7 | 90.9 | 99.4 | 90.2 | 99.7 | 95.9 | 99.9 | 95.5 | 99.7 | 98.3 | 99.9 | 98.0 |
Table 2 原表逐格录入。Common = 4,209 条通用 Routine 跟随数据微调；Scenario = 537 条场景蒸馏数据微调。「整体」要求结构、工具、参数三步全部正确；工具准确率只在结构正确的子集上算，参数准确率只在结构 + 工具都正确的子集上算，所以三者不能相乘回整体。
在带分支 Routine 上逐个拆组件（Table 3），去掉工具名对多数模型是 5–15 个百分点的打击；加输入输出描述则对中等模型帮助最大。
| 模型 | Baseline Routine | + I/O 参数描述 | 去掉工具名 |
|---|---|---|---|
| GPT-3.5-Turbo | 52.7 | 61.1 | 42.8 |
| GPT-4o | 96.3 | 97.5 | 96.7 |
| Qwen2.5-7B | 49.7 | 60.6 | 43.7 |
| Qwen2.5-14B | 79.1 | 84.2 | 69.5 |
| Qwen3-8B | 81.3 | 81.3 | 76.7 |
| Qwen3-14B | 83.3 | 81.5 | 71.9 |
Table 3 原表。GPT-4o 去掉工具名反而高 0.4 分，论文视为语义理解能力的个例；Qwen3 系列对 I/O 描述几乎不敏感，Qwen3-14B 甚至下降 1.8 分，论文猜测多余的描述会干扰模型。
| 模型 | User Draft | AI Optimization | Human Annotation |
|---|---|---|---|
| GPT-3.5-Turbo | 42.6 | 52.9 | 52.7 |
| GPT-4o | 71.2 | 90.9 | 96.3 |
| Qwen2.5-7B | 46.6 | 50.4 | 49.7 |
| Qwen2.5-14B | 61.7 | 82.3 | 79.1 |
| Qwen3-8B | 70.4 | 73.8 | 81.3 |
| Qwen3-14B | 70.9 | 76.7 | 83.3 |
Table 4 原表。用户草稿虽粗糙仍优于自主规划（GPT-4o 41.1 → 71.2）；AI 优化把 Qwen2.5-14B、GPT-3.5 拉到略高于人工标注。论文建议线上仍保留专家终审。
| 模型 | 1 条（基线） | 2 条 | 3 条 | 5 条 |
|---|---|---|---|---|
| GPT-3.5-Turbo | 52.7 | 53.6 | 54.7 | 60.0 |
| GPT-4o | 96.3 | 76.6 | 80.1 | 88.6 |
| Qwen2.5-7B | 49.7 | 45.1 | 45.0 | 54.4 |
| Qwen2.5-14B | 79.1 | 55.8 | 60.7 | 71.3 |
| Qwen3-8B | 81.3 | 66.0 | 66.9 | 72.2 |
| Qwen3-14B | 83.3 | 63.2 | 67.2 | 79.9 |
Table 5 原表。只有一条适用、其余为干扰，顺序随机打乱。论文的解释：2–3 条冲突 Routine 时模型会试图把它们拼在一起；条数再多，模型才转向「选一条」的机制，所以准确率回升。
适用边界几乎全部由论文自己的消融和局限节给出，不靠推演。
论文 §6 明确承认：目前的规划模型主要依赖领域专家提供的草稿生成 Routine，执行模型主要靠指令微调与蒸馏适配。企业一旦引入新工具或流程变更，系统对新情况的泛化能力受限，自主性与适应性仍有提升空间。蒸馏带来的「无 Routine 也行」只对训过的场景成立。
Table 5 里，穷模型加一条干扰几乎不掉，强模型却从 96.3 掉到 76.6。原因是强模型本来能利用单一 Routine 的每一处细节，一旦上下文中出现另一条相似流程，它会被带偏。这对 Procedure Memory 提出了很高的精度要求，而论文并没有公开相似度检索的实现细节与召回表现。
对 GPT-4o、Claude-3.7、GPT-4-Turbo 这类强模型，带分支普遍低于线性（96.3 vs 97.0，99.3 vs 98.0，99.0 vs 98.3）。论文的结论是：分支逻辑应该建立在模型已有稳定工具调用能力的基础上，否则「先判断、再选路」会额外引入误差。7 条 Routine 中有 3 条带分支，拆开后可表示成 10 条无分支流程。
全部实验都在一个企业 HR 场景、中文、GPT-4o 作教师。535 条蒸馏样本覆盖 10 个无分支子场景，训练只用 4 张 A10（24GB），LoRA 选择 epoch 3 按验证集定。换成流程更开放、工具接口更不规整的领域，或者换教师模型，论文没有给出可以直接外推的数字。
论文自己给出的下一步是两条：把 RL 框架接进工作流（含数据蒸馏与奖励建模），让规划模型学会生成 Routine、执行模型学会调工具，用指令微调冷启动再 RL 提升泛化；以及以 Routine 为中心的多智能体框架，由上层智能体协调多个专职智能体，用结构化 Routine 流与集中式交互协议降低每条计划的复杂度。一句话：Routine 解决的是「已知流程的稳定执行」，不是「未知流程的自动发现」。