在基于 LLM 的多代理提示优化中统一时间和结构贡献分配

虽然多智能体系统 (MAS) 使 大语言模型 能够通过协作交互来处理复杂的推理任务，但由于计算图的离散、不可微性质以及全局监控信号的稀疏性，优化其动态仍然是一项艰巨的挑战。现有的黑盒优化器很难将轨迹级故障归因于特定的局部组件，从而导致低效、高方差的探索。我们认为，易于处理的 MAS 优化需要结构性归纳偏差来理清误差信号。我们提出时间和结构贡献分配，它沿着两个轴分解目标：（i）时间信用，使用状态空间瓶颈来识别关键回合，以及（ii）结构信用，使用固定角色策略来隔离代理贡献。利用这些分解的信号，我们引入了一种离散的、语言化的块坐标下降算法来进行迭代细化。它不是不加区别的全局更新，而是在优化角色提示和聚合协议之间交替，使用 LLM 生成的“代理梯度”仅针对已识别的薄弱链接。在不同的推理基准中，我们的方法大大降低了查询复杂性，同时提高了性能，为自我改进 MAS 提供了一条有原则且可解释的路径。