从经验到技能：通过可复用策略学习的多智能体生成式引擎优化

生成式引擎（GE）正在用以引用为依据的答案取代排序链接，重塑信息获取方式，然而当前的生成式引擎优化（GEO）方法孤立地优化每个实例，无法跨任务和跨引擎积累或迁移有效策略。我们将GEO重新表述为一个策略学习问题，并提出MAGEO，这是一个多智能体框架，其中协同规划、编辑和保真度感知评估作为执行层，而经过验证的编辑模式则逐步蒸馏为可复用的、面向特定引擎的优化技能。为实现可控评估，我们引入了用于对内容编辑进行因果归因的Twin Branch Evaluation Protocol（孪生分支评估协议），以及统一语义可见性与归因准确性的双轴指标DSV-CF。我们进一步发布了MSME-GEO-Bench，一个基于真实查询的多场景、多引擎基准。在三个主流引擎上的实验表明，MAGEO在可见性和引用保真度方面均大幅优于启发式基线，消融实验证实面向特定引擎的偏好建模和策略复用是这些收益的关键，这预示着一种可扩展的、学习驱动的可信GEO范式。代码可在 https://github.com/Wu-beining/MAGEO 获取。