经验即罗盘：编排与智能体提示共同演进的多智能体RAG

多智能体检索增强生成（RAG）让每个智能体承担特定角色，可支持需要多步、多来源或复杂推理的困难查询。然而，现有方法依赖静态的智能体行为与固定的编排策略，导致在多样、多跳任务上性能脆弱。我们指出两个关键局限：缺乏持续自适应的编排机制，以及单个智能体缺乏行为层面的学习。为此，我们提出HERA，一个联合演进多智能体编排与角色专属智能体提示的分层框架。在全局层面，HERA通过奖励引导的采样与经验积累优化面向具体查询的智能体拓扑。在局部层面，角色感知提示演化（Role-Aware Prompt Evolution）通过贡献归因以及沿操作性与行为性原则的双轴自适应精炼智能体行为，实现有针对性、角色条件化的改进。在六个知识密集型基准上，HERA相对近期基线平均提升38.69%，同时保持稳健的泛化与token效率。拓扑分析揭示了涌现的自组织现象：稀疏探索产生紧凑、高效用的多智能体网络，展示了高效的协调与稳健的推理。