AgentGrad：針對多智慧體系統的介入式提示詞最佳化框架
為何重要
多智慧體系統追求更複雜的協作能力，以往透過反向傳播或僅利用文字反饋來微調提示詞效率低且不穩定。AgentGrad 引入「順序幹預」與「語義分群」概念，大幅縮短最佳化週期並確保學習到的修正模式具備泛化性。這代表目前的 Agent 設計正從手動調參邁向自動化、智慧化的路徑，企業若能善用此類技術將能更快速迭代出高穩定性的代理系統。
大型語言模型基於多智慧體系統透過多位專業代理人協作，展現出強大的表現，但這取決於單一代理人的提示詞設計。針對此問題，長久以來「文本梯度」成為主流的提示詞微調手段，但現有文獻指出其兩階段流程（梯度提取與聚合）存在嚴重侷限。
- AgentGrad 試圖解決傳統文本梯度的同步幹預缺陷，改採「順序介入」技術，逐個修改代理人行為以精確定位導致系統失敗的目標代理人。
- 該框架引入「語義文本梯度抽象」機制，將相似梯度分群並抽象為泛化修正模式，避免混入無關的失敗案例。
- 實驗顯示，AgentGrad 在五個多智慧體基準測試中皆達到領先地位（SOTA），且最佳化時間比次快基線平均快 2.5 倍。