arXiv cs.CL· Ziyi Zhu, Luka Smyth, Saki Shinoda, Jinghong Chen·· 11 小时前AI 评分38
SAGE：通过智能体引导探索实现随机提示词优化
SAGE: Stochastic Prompt Optimization via Agent-Guided Exploration
AI 导读
研究提出 SPO（随机提示词优化）框架，将自动提示词优化视为黑盒搜索，并对比误差引导随机搜索、遗传算法与多智能体流水线 SAGE 三种策略。在三个基准上无单一策略占优，效果取决于搜索空间结构与错误类型的交互。SAGE 在心理健康聊天机器人上连续优化八轮 A/B 测试，将单次噪声结果累积为次日留存率的统计显著提升。
正文 · AI 翻译
摘要：上下文工程已成为无需参数更新即可改进 AI 系统的主要手段。近期研究表明，文本梯度并不像真正的梯度那样起作用，这促使人们将自动提示优化（APO）视为黑盒搜索。我们提出 SPO（随机提示优化），这是一个在提示空间上进行随机搜索的框架，并比较了三种复杂度递增的策略：误差引导的随机搜索、带进化算子的遗传算法，以及 SAGE（通过智能体引导探索的 SPO），后者是一个带诊断性代码执行的多智能体流水线。在三个基准上，没有单一策略占据主导；有效性取决于景观结构与误差类型的相互作用。我们进一步在持续优化范式下将 SAGE 部署于一个心理健康聊天机器人，它将八轮各自带有噪声的 A/B 测试累积为次日留存率上具有统计稳健性的提升。我们认为，将定性诊断与定量验证相结合，正是使智能体优化在开放式任务导向对话中有效的原因。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2606.18902 [cs.CL] |
| （或 arXiv:2606.18902v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.18902 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing: Industry Track, pages 3695-3711, Budapest, Hungary, October 2026 |
| 相关 DOI： | https://doi.org/10.18653/2026.emnlp-industry.221
链接到相关资源的 DOI |
提交历史
来自：Ziyi Zhu [查看电子邮件]
[v1]
2026年6月17日星期三 10:25:25 UTC（739 KB）
[v2]
2026年7月28日星期二 13:10:27 UTC（745 KB）
[v3]
2026年11月3日星期二 21:32:56 UTC（749 KB）
来源：arXiv cs.CL · arxiv.org