标签
讨论指出，MCP 工具定义会占用大量常驻上下文——有用户卸载一个大型 MCP 服务器后，上下文从约 200K 降至约 10K 词元。文章提供了如何在首次对话前检查工具开销的实用建议，包括检查请求日志、按需禁用服务器及使用延迟加载。
提出 StruPO，一种结构感知的提示编辑器，利用校准场景图作为共享表示，将结构反馈转化为可复用的编辑策略训练信号，在保持场景忠实性的同时提升文生图的美学质量。
GEPA-Curator 是一个框架，通过过滤含噪的失败信号并检索先前成功的轨迹，改进智能体提示词优化，在 GoBrowse、ALFWorld、AppWorld 和 τ-bench 等基准测试中，相较于 GEPA 和 ACE 分别实现了最高 20.7% 和 21.2% 的性能提升。
提出了 RSIHub，一个用于构建、比较和扩展智能体演化方法的开源框架，通过可复用的算子与配方简化实验基础设施。论文在 Terminal Bench 2 和 τ³ Banking 上评测了 AHE、Hyperagents、A-Evolve 与 GEPA，最大 pass@1 提升达 13.5 个百分点，但方法排名随设置变化且优化收益不一定迁移到留出任务。
该论文提出了一个可复现的离线评估框架，用于在生产环境中不断变化的企业数据上评测对话智能体，并将该框架作为 GEPA 提示优化的适应度函数，在正确性约束下将提示压缩 3.5–7.6%，同时不降低任务准确率。
CEPO 是一个用于多智能体系统提示词优化的通用框架，它将共享的系统级协调与智能体专属的执行提示词分离，在四个领域的 11 项基准测试中，持续提升了四种现有提示词优化器的表现。
RSIHub 是一个开源框架，为智能体进化（agent-evolution）研究提供可组合的共享基础设施，标准化方法的构建、比较与扩展，并在 Terminal Bench 2 和 τ3 Banking 上评测了 AHE、Hyperagents、A-Evolve 和 GEPA 等方法。
该论文提出了一种两阶段的反思式提示词优化框架，将候选池构建与验证资源分配解耦，在五个基准测试上使用Qwen3.5-9B和Llama-3.1-8B-Instruct，相比初始求解器最高提升了11.22个百分点。
HERO 提出了一种结合离线与测试时 harness 优化的方法，通过执行验证得到的成功和失败样本学习可复用的提示词更新，并在测试时利用执行反馈对生成的代码进行精细调整，在 SQL、Cypher 和 Python 基准测试中将 pass@1 提升了约 9.6 个百分点。
提出了反思反馈驱动的提示优化（RFDPO），通过追踪条目级别的恢复、回退和波动来评估自动提示优化，发现整体准确率可能掩盖大量变化，建议同时报告恢复、回归、变动率和在未见数据上的表现。
提出 MoPrO-SD，一种面向立场检测的模块化提示优化框架，将提示分解为功能语义模块并利用 LLM 反馈逐步优化，同时发布新的人工标注疫苗立场检测基准 VaccineStance，在多个数据集和开源 LLM 上验证了有效性。
一项预注册研究考察了 GEPA、MIPROv2 和 TextGrad 等提示优化器在提升目标指标时是否会破坏未被评分的输出要求，发现主要回归源于输出截断导致的提取失败，增大输出预算即可消除该副作用。
该论文研究了对多智能体深度研究智能体的系统提示进行反思式提示进化（GEPA），采用主题不重叠、多随机种子的评估协议，发现分解式逐维度反馈是可迁移增益的关键因素，而压缩为单一标量奖励会导致负迁移。
论文提出 CoCoEvolve（CortexCodeEvolve），一种基于"元反思"的进化优化器，通过从完整搜索历史中检索证据并主动探测目标环境来改进生产级 AI 系统的优化，在 DABStep、data-eng-bench 等多个基准上超越现有基线。
一位用户称赞 Qwen 3.8 27B 是一款被低估的高性能模型，指出更小的本地模型也能媲美更大的模型，而大模型目前在「指向」方面仍有力不从心之处。他计划通过提示词优化来进一步提升性能。
arXiv 论文中提出的 Goldsmith 智能体标注流水线，能够将小规模专家标注的黄金数据集转化为结构化标注定义，并通过可执行的损失引导循环进行优化，在效果上优于直接重写、OPRO、APE 和 PromptBreeder 等方法。
论文提出了 VERSE，一个可验证的自进化优化器，利用基于执行的验证机制，同时改进执行器 agent 的 harness 以及自身所用的提示词、工具和流程。在留出的 SWE-rebench 任务上，VERSE 达到了 42.3% 和 37.7% 的准确率，而最强基线仅为 39.2% 和 29.3%。
论文提出了 TextReg，一个用于文本空间提示优化的正则化框架，通过双重证据梯度净化与语义编辑正则化来缓解提示分布性过拟合，在分布外推理基准上相比 TextGrad 最高提升 +11.8%，相比 REVOLVE 最高提升 +16.5%。
研究人员提出一个国际象棋谜题基准数据集（包含 1,118 道 Lichess 题目），用于对冻结参数的大语言模型进行自动提示词优化；他们在八个模型上评估了六种 APO 算法，采用成本低廉、结果确定且可重复的评分方式，总成本约为 800 美元。
论文提出了 SHIFT 框架，它通过一个经过学习的本地 LLM 架构师和价值函数，结合蒙特卡洛树搜索，为每个查询构建多智能体框架，在 9,193 个任务上实现了约 80% 的平均准确率，超越了 17 个基线方法，同时在更经济的模式下将执行 token 成本降低了 32%。