Google研究发现：Multi-Agent的核心竟然是Prompt设计！

主要观点总结

文章介绍了Google和剑桥大学在Multi-Agent Design领域的研究进展，重点介绍了在多智能体系统（MAS）中优化提示和拓扑结构的方法和框架。文章通过深入分析设计空间，发现了提示设计对下游性能的影响以及有效拓扑结构的特点。提出了分阶段优化的Mass框架，通过块级提示优化、工作流拓扑优化和工作流级提示优化三个阶段来优化MAS。实验结果表明，Mass框架在多个任务上显著优于现有方法，具有稳定的性能提升和较高的样本效率和成本效益。

关键观点总结

关键观点1: 研究背景及挑战

文章介绍了多智能体系统（MAS）中的挑战，包括设计有效的提示和拓扑结构。单个智能体对提示敏感，手动设计拓扑结构需要大量实验。

关键观点2: 研究发现

研究发现提示设计对下游性能有显著影响，而有效的拓扑结构只占整个搜索空间的一小部分。

关键观点3: Mass框架介绍

文章提出了Mass框架，该框架通过块级提示优化、工作流拓扑优化和工作流级提示优化三个阶段来优化MAS。

关键观点4: 实验与性能提升

实验结果表明，Mass框架在多个任务上显著优于现有方法，平均性能提升约10%以上。具有稳定的性能提升和较高的样本效率和成本效益。

免责声明