以正确的方式提出问题：用于快速制定复杂任务解决方案的多智能体对话系统

大语言模型 (LLM) 是复杂智力任务不可或缺的一部分，但输出质量仍然受到用户提供的提示的限制。迭代的多轮提示通常会导致上下文退化和认知回报减少。我们提出了 PAWNI（使用神经智能的提示架构向导），这是一个由八个代理组成的代理对话界面，它通过由自我进化的知识库提供的引导问答对话将非结构化查询转换为结构化提示。 PAWNI 不是优化模型的响应，而是通过预先加载意图澄清来优化问题本身。我们还提出了一个由 18 个提示元素组成的三层框架，涵盖基本、增强和提升类别。为了评估系统行为并验证测量协议，我们针对四项复杂任务进行了一项探索性受试者内研究 (N=4)，整合了 32 通道脑电图、NASA-TLX 工作负载和行为指标。参与者使用 PAWNI 生成了结构更完整的提示（评估元素的 42% 到 91%），在所有质量维度上对 LLM 输出进行了更高的评价，并报告了更低的工作量（39.6 vs. 21.7 NASA-TLX）。每个参与者在一个回合中都达到了令人满意的输出，而在没有辅助的情况下需要 1-12 回合。虽然效果大小因样本大小而不稳定，但方向一致性支持这样的假设：优化即时配方前端是人类与人工智能协作的关键杠杆。