用于深度研究的自优化多智能体系统

考虑到用户复杂的信息需求，多智能体深度研究系统会迭代地计划、检索和综合数百个文档中的证据，以产生高质量的答案。在一种可能的架构中，协调器代理协调流程，而并行工作代理执行任务。然而，当前的深度研究系统通常依赖于手工设计的提示和静态架构，使得改进变得脆弱、昂贵且耗时。因此，我们探索了各种多智能体优化方法，以表明使智能体能够自我游戏并探索不同的提示组合可以产生与专家制作的提示相匹配或优于专家制作的提示的高质量深度研究系统。