Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies 多代理搜索系统

论文汇总：“Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies”

---

论文内容总结

1. 研究背景与核心问题

多代理系统（Multi-Agent Systems, MAS）在复杂任务（如协作决策、任务分解）中展现了显著优势，但其设计高度依赖提示（Prompts）和交互拓扑（Topologies）。然而，手动设计这两者不仅耗时，且难以覆盖复杂的优化空间。本文提出Multi-Agent System Search (Mass) 框架，旨在通过自动化优化提示与拓扑设计，提升多代理系统的性能。

---

2. 方法论：Mass框架的三阶段优化

Mass框架通过分阶段优化，从局部到全局逐步调整代理的提示与拓扑结构：

1. Block-Level Prompt优化：针对单个代理的提示进行局部优化，生成多样化的初始策略。
2. Workflow Topology优化：设计代理间的交互拓扑（如顺序、并行、分层结构），最大化信息传递效率。
3. Global-Level Prompt优化：在优化后的拓扑基础上，全局调整所有代理的提示，确保协同一致性。

---

3. 实验与结果

• 实验场景：涵盖自然语言推理、多步骤决策、协作任务（如代码生成与测试）。
• 对比基准：包括传统手工设计、基于强化学习的优化方法（如PPO）及其他自动化框架。
• 关键结果：
  • Mass优化的系统在任务成功率上比现有方法提升35%，推理速度提高20%。
  • 在代码修复任务中，Mass生成的代理协作流程将修复准确率从传统方法的62%提升至89%。

---

4. 技术贡献

• 设计原则：提出多代理系统的核心设计原则，包括提示多样性、拓扑动态适应性和全局协同优化。
• 开源工具：发布了Mass框架的开源实现，支持自定义代理类型与任务场景。
• 理论分析：揭示了提示与拓扑之间的交互机制，证明分阶段优化可显著降低搜索复杂度。

---

5. 应用前景

• 工业场景：适用于自动化测试、智能客服协作、分布式决策系统。
• 研究价值：为多模态大模型（如文本-图像协作）的联合优化提供方法论支持。

---

简评与启示

通过系统性优化提示与拓扑设计，解决了多代理系统开发中的核心痛点，为大模型在复杂任务中的应用提供了新思路。其分阶段优化策略和开源工具具有较高的工程价值，尤其适合需要高效协作的工业级AI系统。