Agent Mentor：通过语义轨迹分析框定智能体知识

AI智能体开发高度依赖自然语言提示来定义智能体的任务、知识和目标。这些提示由大语言模型（LLM）解释，后者支配智能体的行为。因此，智能体性能容易受到不精确或含糊提示表述所引起的波动影响。识别和纠正此类问题不仅需要检查智能体的代码，还需要检查其整个执行生命周期中生成的内部系统提示，这些体现在执行日志中。在本工作中，我们提出一个分析管线，作为Agent Mentor开源库的一部分实现，它监控并增量调整定义另一个智能体行为的系统提示。该管线通过系统性地向智能体的知识注入纠正性指令来提升性能。我们描述其底层机制，特别强调识别与不良行为相关的语义特征，并利用它们推导出纠正性陈述。我们在三个示例性智能体配置和基准任务上，通过重复执行运行来评估所提出管线的有效性。这些实验为在未来的智能体治理框架中自动化此类指导管线提供了初步探索。总体而言，该方法在多样配置中展示出一致且可度量的准确率提升，在规格含糊主导的场景中尤为明显。为保证可复现性，我们已将代码以开源形式发布于Agent Mentor库。