摘要
基于大语言模型的多智能体系统在解决复杂协作任务中展现出潜力，但跨智能体的提示联合优化极具挑战。本文提出 MASPO 框架，通过自动迭代优化全系统提示来解决局部目标与全局目标的错位问题。其核心创新包括联合评估机制，不仅评估提示的局部有效性，更关注其对下游智能体成功的促进作用；同时采用数据驱动的进化束搜索高效探索高维提示空间。实验表明，MASPO 在六项任务中均优于现有最先进方法。
AI 推荐理由
论文提出基于数据驱动进化束搜索的提示优化框架，核心在于系统的自我迭代与改进。
研究机构
Institute of Computing and Intelligence, Harbin Institute of Technology, Shenzhen, China
论文信息