论文页面 - 控制-数据流分离：多智能体LLM中稳定的提示优化

来源：https://huggingface.co/papers/2609.00621

摘要

本框架将结构化执行协议与可优化的语言内容相分离，以防止提示优化破坏多智能体流程。

提示优化 (https://huggingface.co/papers?q=Prompt%20optimization) 能够改进多智能体LLM系统 (https://huggingface.co/papers?q=multi-agent%20LLM%20systems)，但被优化的提示通常承担着两个相互纠缠的角色：生成与任务相关的内容，以及规定执行关键协议（例如消息路由、输出格式和终止信号），而底层代码依赖于这些协议。因此，旨在改进内容生成的提示编辑可能会无意中破坏协议，导致整个智能体流程失败。我们的关键观察是：这两个角色具有不同的表征方式——执行协议通常是结构化的，而与任务相关的内容通常以非结构化语言表达。基于此，我们提出了控制-数据流分离 (https://huggingface.co/papers?q=control-data%20flow%20separation)，其中执行关键控制被表示为类型化、经过验证的程序对象，而与任务相关的语言则作为智能体通信的可优化数据流。这种设计允许优化器在不暴露路由或格式化接口于提示漂移风险的情况下改进多智能体行为。在合成推理、协作评审生成和保险评级工作流中，我们的框架经验性地实现了100%的最终协议有效性 (https://huggingface.co/papers?q=protocol%20validity)，同时持续提升了任务性能。

查看arXiv页面 (https://arxiv.org/abs/2609.00621) 查看PDF (https://arxiv.org/pdf/2609.00621) GitHub1 (https://github.com/yuntian-group/cdsep) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.00621)

在您的智能体中获取此论文：

hf papers read 2609\.00621

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

没有模型链接到本文 在模型的README.md中引用 arxiv.org/abs/2609.00621 即可从本页面链接到该模型。

引用本文的数据集0

没有数据集链接到本文 在数据集的README.md中引用 arxiv.org/abs/2609.00621 即可从本页面链接到该数据集。

引用本文的Space0

没有Space链接到本文 在Space的README.md中引用 arxiv.org/abs/2609.00621 即可从本页面链接到该Space。

包含本文的收藏0

没有收藏包含本文 将本文添加到收藏 (https://huggingface.co/new-collection) 即可从本页面链接到该收藏。