Google研究发现：Multi-Agent的核心竟然是Prompt设计！

论文地址：https://arxiv.org/pdf/2502.02533

论文名称：Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies

基于这些发现，Google&剑桥大学提出了Mass框架，该框架通过三个阶段优化MAS：

1. 块级（局部）提示优化：对每个拓扑块中的智能体进行提示优化。

2. 工作流拓扑优化：在修剪过的拓扑空间中优化工作流拓扑结构。

3. 工作流级（全局）提示优化：在找到的最佳拓扑结构上进行全局提示优化。

实验使用了Gemini 1.5 Pro和Flash模型，并与多种现有方法进行了比较，包括链式思考（CoT）、自我一致性（SC）、自我细化（Self-Refine）、多智能体辩论（Multi-Agent Debate）、ADAS和AFlow。

• 性能提升：Mass在多个任务上显著优于现有方法，平均性能提升约10%以上。

• 优化阶段的重要性：通过分阶段优化，Mass在每个阶段都取得了性能提升，证明了从局部到全局优化的必要性。

• 提示和拓扑结构的协同优化：Mass通过同时优化提示和拓扑结构，实现了比单独优化更好的性能。

• 成本效益：Mass在优化过程中表现出稳定且有效的性能提升，与现有自动设计方法相比，具有更高的样本效率和成本效益。

一起“点赞”三连↓