近年来，大型语言模型（LLMs）的快速发展激发了学术界对智能体工作流（agentic workflows）的广泛关注。这类工作流是由一系列结构化的LLM调用组成，旨在解决复杂任务。然而，现有方法通常依赖于静态模板或人工设计的工作流，这限制了其在多样化任务中的适应能力，并制约了可扩展性。为此，我们提出AdaptFlow——一种基于自然语言的元学习框架，其灵感源自模型无关的元学习（MAML）。AdaptFlow能够学习一种可泛化的任务初始化工作流，从而实现对子任务的快速适应。该框架采用双层优化机制：内层循环利用LLM生成的反馈，针对特定子任务对工作流进行优化；外层循环则更新共享的初始化参数，以确保在多种任务上均表现良好。这种架构使AdaptFlow能够通过语言引导的修改，有效适应未见过的任务。在问答、代码生成和数学推理等多个基准测试中，AdaptFlow的表现持续优于人工设计及自动搜索的基线方法，在任务与模型间均展现出卓越的泛化能力，达到当前最优水平。相关源代码与数据集已公开，详见本文链接。