黑暗中的反思：揭示并逃离反射式提示优化中的黑盒

自动提示优化（APO）无需人工工程即可提升大模型性能，但现有反射式方法如 GEPA 存在黑盒且无标签的局限，导致优化轨迹不可解释及系统性失败。本文提出 VISTA，一种多智能体 APO 框架，将假设生成与提示重写解耦，实现语义标记假设、并行小批量验证及可解释的优化轨迹。通过结合随机重启和ε-贪婪采样的双层探索 - 利用机制，有效逃离局部最优。实验表明，VISTA 在缺陷种子下将 GSM8K 准确率从 13.50% 恢复至 87.57%，并在多项基准中持续优于基线。