CANTANTE：通过对比信用分配优化智能体系统

基于大语言模型的多智能体系统在复杂任务中表现优异，但其自动化配置仍面临挑战，因系统级评分难以指导局部参数更新。本文指出该问题本质为信用分配，并提出 CANTANTE 框架。该方法通过对比同一查询下多种联合配置的 rollout，将系统级奖励分解为各智能体的更新信号，应用于提示词优化。实验表明，CANTANTE 在编程、数学推理及多跳问答基准上均优于现有优化器，显著提升了系统性能并降低了推理成本。