多智能体系统很容易让人产生一种直觉：一个 Agent 不够，就再加几个；答案不稳定，就让它们辩论；流程效果不好，就换个拓扑试试。问题在于，Agent 的提示词、角色分工和消息流彼此牵连。一个提示词写得含糊，可能让整个链路都跟着偏；一个看起来复杂的拓扑，也可能只是多花了调用成本。
ICLR 2026 论文 Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies提出了 MASS（Multi-Agent System Search）。它的主张很直接：提示词和拓扑要放在同一套设计流程里优化，但不要一上来就把所有变量同时交给搜索。先打磨局部 Agent，再组合工作流，最后回到整体提示词做协同调整。
这篇论文最值得带走的，不是某一种“万能多 Agent 拓扑”，而是一种搜索顺序：先让模块变得可靠，再让模块组成系统，最后让系统中的模块彼此适配。
多智能体设计为什么不只是“多加几个模型”
一个多智能体系统至少有两类关键设计变量：提示词决定每个 Agent 要做什么、收到什么信息、输出什么格式；拓扑决定哪些 Agent 被加入、它们串行还是并行、输出怎样传递和汇总。
这两个变量相互影响。举例来说，反思 Agent 要读预测 Agent 的回答，再指出错误并给出修改建议。若预测 Agent 输出没有清晰结构，反思 Agent 的工作就会变难；若拓扑把反思结果送回预测 Agent 多轮迭代，那么两个 Agent 的提示词也必须适配这种循环。孤立地调其中一边，可能得到局部看起来合理、整体却不工作的系统。
两个常见捷径都不可靠
第一种捷径是增加 Agent 数量。 多个模型并行回答再投票，确实可能减少单次采样的偶然错误，但代价是更多推理 token 和延迟，而且如果所有 Agent 都受同一种提示词缺陷影响，票数增加并不能修好错误方向。
第二种捷径是先挑复杂拓扑。 Debate、Reflect、Aggregate 等模块听起来都很有用，实际效果却取决于任务。论文在 HotpotQA 的分析中发现，在所测的模块里只有 Debate 带来约 3% 的增益，其他模块未能改善甚至会拖累结果。多一个环节，就多一份调用、上下文传递和误差传播的机会。
因此，设计问题不是“能不能把更多 Agent 接起来”，而是“哪些模块在当前任务上有增量价值，以及它们需要怎样的提示词和连接方式”。
MASS：从局部提示词到整体工作流的三阶段搜索
MASS 把搜索拆成三段。前一段产生的提示词或拓扑会成为后一段的条件，逐步缩小问题范围。
阶段一：先优化单个构件（1PO）
论文先对基础 Predictor（预测者）优化提示词，再逐个优化搜索空间里的其他 Agent 构件。这里的“提示词优化”不只是润色指令，还会联合优化 instruction 和 few-shot 示例。像 Debate 这样的模块，则在最小可用配置下优化：用两个 Predictor 配一个 Debator，先确认这类协作单元是否能工作，再考虑扩展规模。
这么做的目的，是避免拿一组未经验证的手工提示词直接组成复杂系统。否则，系统效果差时，很难判断是拓扑有问题，还是其中某个 Agent 本来就没有把自己的任务做好。
阶段二：带着局部结果搜索拓扑（2TO）
接着，MASS 比较各个构件相对于基线预测者的增量影响。论文用验证集上的表现变化估计某个设计维度是否值得纳入搜索，并把影响较大的模块以更高概率保留在候选空间里；同时限制系统可包含的 Agent 数量，避免搜索预算失控。
这是 MASS 的一个关键选择：它不是在庞大的组合空间中平均地碰运气，而是先用局部实验估计哪些构件值得组合，再对更有希望的配置进行采样和评估。候选工作流按预先定义的构建规则组织，减少等价排列带来的冗余。
需要区分的是，增量影响是一种搜索启发式，不是模块价值的普遍定理。它由特定数据、模型和验证指标估计；换任务或换底座模型，权重和排名都可能变化。
阶段三：对最佳工作流做整体提示词优化（3PO）
阶段二找到表现较好的拓扑后，MASS 不会认为局部最优提示词已经足够。它把选出的整个多智能体系统作为一个整体，再对其中的提示词进行联合优化。
原因在于，模块单独表现好，不代表放进工作流后仍然最合适。下游 Agent 接收的是上游实际生成的内容，而不是研究者理想中的标准答案；输出格式、信息完整度和协作目标都会影响彼此。最后这轮优化负责把提示词调整到“在当前拓扑里合作”的状态。
可以把三个阶段简写为：
先把 Agent 模块调好 → 再搜索如何连接 → 最后按整条工作流协同调提示词
搜索空间里有哪些 Agent 模块
论文把多智能体流程表示为一组可组合构件，而不是让搜索器任意生成程序。核心构件包括：
| 构件 | 在工作流中的作用 | 常见形式 |
|---|---|---|
| Aggregate | 并行生成多个预测，再汇总 | Self-Consistency、多数投票 |
| Reflect | 检查已有回答并提出修订 | Self-Refine、反思循环 |
| Debate | 多个 Agent 读取彼此观点并更新答案 | 多智能体辩论 |
| Summarize | 分阶段压缩长上下文 | 面向长文档的摘要链 |
| Tool-use | 按需插入工具调用 | 检索、代码执行 |
同一个构件也带有可以调整的参数，例如并行 Agent 数、反思轮数、辩论轮数；工具调用则可作为开关纳入设计。论文还用预定义的构建顺序组织流程，以较小的搜索空间换取更可控的组合与复现。
这也意味着 MASS 并非“给模型一张白纸，让它发明任意 Agent 架构”。它优化的是研究者定义好的可定制搜索空间。搜索空间选错了，搜索算法无法凭空补上缺失的模块；空间过宽，则实验成本和验证负担都会上升。
实验说明了什么
论文在数学推理、长上下文问答和代码任务上评测 MASS，包括 MATH、DROP、HotpotQA、MuSiQue、2WikiMQA、MBPP、HumanEval 和 LiveCodeBench 的输出预测子任务。主要实验使用 Gemini 1.5 Pro / Flash，并在附加实验里检查 Claude 3.5 Sonnet 和 Mistral Nemo 等不同底座模型。核心结果报告三个评测运行的均值与标准差。
以 Gemini 1.5 Pro 为例，论文表格给出的跨任务平均分如下。指标包含准确率、F1 和 pass@1 等不同度量，作者报告了每个数据集的对应指标后再计算平均，因此它适合看整体趋势，不应被理解为单一统一指标。
MASS 平均为 78.79，表中 Multi-Agent Debate 为 70.26，CoT 为 65.28。各个单项也不是 MASS 全面领先：例如 2WikiMQA 上 AFlow 为 76.51，高于 MASS 的 73.34。因此更准确的结论是，MASS 在论文所测的整组任务和比较方法中取得了更高的总体平均，并在多个任务上表现突出；这不意味着它在每种任务、每项指标、每个模型上都是赢家。
Token 效率和拓扑筛选同样重要
论文还比较了提示词优化与“保持默认提示词、增加 Agent 数量”等做法。其分析显示，在 MATH 实验中，经过提示词优化的单 Agent 更能以较少推理 token 提升表现；再在这个基础上扩展并行采样，扩展曲线比直接堆默认 Agent 更好。另一方面，拓扑分析显示，有正向影响的构件只占整个设计空间的一部分。
这里的“效率”主要是推理阶段的 token 与效果关系。它不等于构建 MASS 的全流程免费：自动提示词优化、候选工作流采样和验证集评估都需要额外调用。论文也对推理成本作了可比控制，但真实部署的延迟、吞吐量和价格仍取决于模型、并行策略、缓存以及任务流量。
这篇工作的价值与边界
有价值的地方：它把优化顺序也当成设计的一部分
MASS 的贡献不只是“优化提示词”或“搜索拓扑”，这两类工作此前都有人做。更有启发的是把它们放进一个有顺序的闭环：先局部测量模块价值，再用这些信息缩小拓扑搜索范围，最后针对整体系统重新调提示词。它让多 Agent 设计从凭直觉堆角色，变成可以记录指标、比较候选、逐步缩小范围的实验过程。
需要谨慎的地方：基准上的高分不等于生产环境收益
论文主要在有明确指标和可重复输入的基准数据上优化。真实产品里的目标可能同时包括正确率、延迟、成本、用户体验、隐私约束和可审计性；只对一个验证指标做优化，未必能满足这些约束。
此外，实验中的模型版本是 Gemini 1.5、Claude 3.5 Sonnet 等特定版本。模型能力、API 行为和价格变化后，最优提示词与拓扑也可能改变。MASS 的搜索空间、验证集以及构件模板仍需要人为定义，论文结果不能直接外推为“自动搜索会替你完成系统设计”。
工程上怎么借鉴 MASS
如果要把这个思路用于自己的 Agent 工作流，可以先从一个小型、可验证的任务开始：
- 确定单一评估目标。 例如答案准确率、代码测试通过率，或带成本上限的质量得分。不要一开始混合多个互相冲突的目标。
- 为模块定义输入、输出和成功条件。 保证每个 Agent 的职责能单独评估，尤其要固定交接格式。
- 先测模块增量。 比较无模块基线与加入模块后的表现，同时记录调用数、token、延迟；没有稳定增益的模块先不进入组合搜索。
- 限制候选空间。 只搜索少量有理由尝试的拓扑，预先规定最大 Agent 数和轮数，并保留简单基线。
- 留出未参与优化的测试集。 提示词在验证集上反复试，很容易适配验证样本；最终结果应在独立测试集上复核。
- 最后再做整体优化。 用工作流真实传递的中间结果测试，而非把理想化答案喂给下游 Agent。
这套流程最适合任务边界清晰、存在可自动计算的评估指标、且单次错误成本足以证明额外调用合理的场景。若任务本身很简单，单 Agent 已经满足质量与可靠性要求，多智能体搜索增加的复杂度可能没有回报。
总结：先证明构件有用，再证明组合更好
MASS 给多智能体系统设计提供了一条可操作的路线：优化单个 Agent 的提示词，基于构件的实测影响筛选拓扑，再对选中的整体工作流做联合提示词优化。实验支持“提示词质量和拓扑选择都重要”这一判断，但没有证明多 Agent 在所有任务上都值得使用。
我对这篇论文的概括是：Agent 数量是配置，工作流是结构，提示词是协作协议；三者需要一起评估，但可以分阶段优化。 真正值得复制的，是这条带有预算、验证集和消融意识的设计流程，而不是照搬某个榜单上分数最高的拓扑。
参考资料
- Zhou et al., Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies，arXiv:2502.02533，v2 发布于 2026-01-31，发表于 ICLR 2026。
- 论文 HTML 全文：arXiv HTML。实验数字、方法描述和限制均以论文正文及附录为准。
- 视频解读：B 站：MASS——交错优化多智能体系统的提示词与拓扑。