经验作为指南针：具有演化编排和智能体提示的多智能体 RAG

针对现有方法依赖静态行为和固定编排策略导致复杂任务表现脆弱的问题，本文提出 HERA 分层框架。该框架在全局层面通过奖励引导采样和经验积累优化特定查询的智能体拓扑；在局部层面利用角色感知提示进化，基于信用分配和双轴适应机制 refine 智能体行为。实验表明，HERA 在六个知识密集型基准上平均提升 38.69%，展现出高效的协调性与鲁棒的推理能力。