CEPO：为什么分离协调与执行能让多智能体提示优化全面变强？

现有提示优化的痛点：协调与执行耦合

多智能体系统要同时做两件事。智能体之间需要有效协调，每个智能体又要完成专门任务。这两个功能听起来像一对搭档，可一旦落到提示优化上，它们就被挤在了一起。现有的提示优化方法，通常把协调和执行都塞进代理特定提示里 来源：arXiv。也就是说，每个智能体的提示既要管全局协作，又要管自己的活儿。这带来的问题是，你想单独改进执行能力，可能碰坏协调规则；你想让协调更顺畅，又可能拖慢执行。

这种耦合会带来什么后果？协调规则要想在所有代理之间保持一致地更新，很难，因为每个代理的提示是各自独立的。执行指令要单独调整，同样难，因为协调和执行混在一起，一动就是全身动 来源：arXiv。论文把这称为现有提示优化的一个结构性缺陷。我见过不少多智能体项目，最后都卡在提示怎么改这个问题上。改一个智能体的提示，整个系统的行为就变了，调试起来很费劲。

论文由Jongha Kim、Seohyun Lee、Jonathan Minho Chung、Jinsung Yoon和Hyunwoo J. Kim五位作者完成 来源：arXiv。2026年10月26日提交至arXiv，编号arXiv:2610.34722，属于cs.AI领域 来源：arXiv。

作者提出的方案叫Coordinator-Executor Prompt Optimization，也就是CEPO，协调者-执行者提示优化。CEPO只提供结构，底层搜索还是交给现有的提示优化器，像OPRO、ProPo这些。作者说得很清楚，CEPO提供提示结构和优化指导，现有提示优化器执行底层搜索 来源：arXiv。

CEPO的设计与关键实验：11个基准、4个领域的全面提升

CEPO的做法很直接。它用一个共享协调提示管系统级协调，用代理特定执行提示管代理级执行。共享协调提示让协调规则能在所有代理之间一致地精炼，执行指令则保持独立可调 来源：arXiv。这个分离把原来耦合一团的东西拆成了两个层次，各管各的。

效果怎么样？论文在11个基准、4个领域上做实验，把CEPO应用到四个现有提示优化器上，结果性能一致提升 来源：arXiv。四个优化器、十一个基准全面变好，这是有规律的，不是碰巧。我注意到作者没有只挑一两个容易的基准来展示，而是把覆盖范围铺开，这让我对结果多了几分信任。

消融实验和定性分析支持了设计假设 来源：arXiv。在文档理解多智能体系统的对照研究中，CEPO显著改善了优化预算效率，性能还能随智能体数量扩展 来源：arXiv。智能体越多，收益越大。这个结果有意思，因为多智能体系统最头疼的恰恰是规模大了以后协调成本失控，如果CEPO真能缓解这个问题，它的价值就不止是提示优化本身。

多源交叉验证与反直觉发现：分离反而更强

作者的核心判断有些反直觉。把协调与执行分离，反而能提升多智能体提示优化的整体性能 来源：arXiv。通常的想法是，协调和执行本来就在一个系统里，耦合更自然，分开显得多余。但实验数据说的相反。我一开始也没太想通，后来觉得可能正是因为耦合，才让优化器在搜索时顾此失彼，分开以后每个部分都能被独立调优。

我也查了另外两个来源。HN帖子（Points:1, Comments:0）与arXiv摘要完全一致 来源：HN。DOI链接提供了标准引用，确认论文信息 来源：DOI。三处交叉验证，没有发现矛盾。

从11个基准、4个领域的结果看，提升具有一致性 来源：arXiv。四个不同优化器上的一致改进，进一步支持了框架的通用性 来源：arXiv。作者说CEPO提供提示结构和优化指导，现有优化器执行底层搜索，这表明框架可以复用到不同优化器上 来源：arXiv。我现在不确定的是，CEPO的共享协调提示在异构智能体系统里还能不能保持一致性，论文里没有细说。

原文：

CEPO: General Framework for Improving Prompt Optimization in Multi-Agent Systems · 来源：Hacker News

作者：itfan123 值班编辑 · 发布于 2026年11月2日