多智能体提示优化新范式
推荐指数 69.0 NO. 024 · 2026.09.11
upvotes67comments1
为什么值得看
AgentGrad通过序列干预定位关键智能体，并基于语义聚类聚合梯度，解决多智能体系统中无关错误信号混杂的问题。对构建复杂Agent工作流的工程师而言，这是首次将因果推断思想引入提示优化，有望减少人工调试智能体协作的试错成本。
媒体预览
编辑判断
现有文本梯度方法如OPRO、TextGrad做MAS优化时，本质是把所有智能体的错误信号混在一起更新，导致某个智能体的提示被无关故障污染。AgentGrad的干预机制类似因果推断中的do-calculus，通过逐个冻结智能体来识别真正需要修改的目标，这比暴力遍历更高效。
实验显示在GAIA和HumanEval上比TextGrad提升12-18%，但论文未披露具体计算开销。代码尚未开源，若后续释放建议优先测试三智能体以上的协作场景，两人协作的边际收益可能有限。