EMAS：通过证据引导修订稳定多智能体系统演化

许多自动化多智能体系统设计方法在初始设计阶段优化提示词与拓扑，随后将所得系统不加改变地部署到后续样本上。来自这些样本的经验很少被整合为可复用的系统更新，而以精度为导向的设计可能带来高昂的token成本。我们提出EMAS（Evolving Multi-Agent System），利用这些经验在不更新LLM参数的情况下修订MAS拓扑与提示词，以提升精度或降低成本。EMAS把轨迹转化为结构化诊断，指明修订操作与目标。只有当同一诊断在多个样本中重复出现时，它才生成候选修订，且仅当与当前MAS的配对验证满足相应接受标准时才应用。在四个基准与两个LLM上，EMAS在两个骨干上均取得最高的任务加权总体准确率，并在八个模型-基准设置中的六个里最优或持平。在两个演化周期内，EMAS在Kimi-K2-6与Qwen3.6-27B上的任务加权准确率分别相对提升6.30%与20.10%。在Qwen3.6-27B的MBPP上，EMAS将准确率从55.09%提升至89.12%，同时把每任务token消耗减少62.2%。这些结果表明，EMAS能把来自新样本的经验转化为对MAS拓扑与提示词的可复用更新。