Mass框架
在多智能体系统（MAS：multi-agent systems）中，设计有效的提示和拓扑结构面临挑战，因为单个智能体可能对提示敏感，且手动设计拓扑结构需要大量实验。
论文地址：https://arxiv.org/pdf/2502.02533
论文名称：Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies
为了自动化整个设计过程，Google & 剑桥大学首先对设计空间进行了深入分析，旨在了解构建有效MAS的因素。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。
核心问题：
让多个AI（智能体）合作干活（比如一起解决数学题、分析复杂问题）通常比单个AI更厉害。但怎么设计它们合作的方式（工作流拓扑，比如谁先发言、谁汇总信息）和给每个AI的指令（提示词Prompt）是个大难题！手动试来试去效率低，效果还不好。
研究发现了什么？
- 提示词是“命门”： 研究发现，给单个AI的提示词写得好不好，对最终团队的表现影响巨大。指令写得好，AI就更能理解任务和有效合作。
- 拓扑结构要“精炼”： 虽然合作方式（拓扑结构）也重要，但研究惊讶地发现，真正管用的合作方式其实只占所有可能方式的一小部分。很多花里胡哨的结构可能没啥用甚至拖后腿（看图：有些优化过的拓扑结构还不如基础智能体单独干活呢）。
- 计算资源要用在“刀刃上”： 给单个AI优化好提示词，然后让多个这样的AI合作（投入更多计算资源/标记数），比单纯用更多资源堆砌但提示词没优化过的AI合作，效果提升明显得多（看图：优化提示后的Agent准确率随资源投入增长更快）。
- 优化要“从局部到全局”： 优化整个多智能体系统不能一锅烩。应该先单独优化每个AI的提示词（块级提示优化），再找最适合它们合作的流程（拓扑优化），最后再整体微调一下整个系统的提示词（全局提示优化）。这样一步一步来效果最好。
解决方案：Mass框架
为了解决这个设计难题，研究者提出了 Mass框架（名字来源于 Multi-Agent System Search），它就像一个自动化多智能体团队设计师，分三步走：
- 精兵强将（块级提示优化）： 针对任务，Mass会自动给团队里的每一个AI成员（智能体） 优化它的专属指令（提示词）。确保每个成员都是精兵强将。
- 排兵布阵（工作流拓扑优化）： Mass在筛选过的高效合作方式库里（基于前面的发现，剔除了大部分无效结构），自动找出最适合这群精兵强将的合作流程（拓扑结构）。比如谁先发言，谁来汇总意见，谁来执行。
- 团队协同（全局提示优化）： 找到最优阵型后，Mass再对整个团队进行整体协调优化，微调提示词让团队配合更默契。
Mass框架牛在哪？
- 效果拔群： Mass设计出来的多AI团队，在多个任务（数学题、编码等）上吊打之前各种流行方法（比如CoT, Self-Refine, 多Agent辩论等），平均性能提升超过10%！
- 优化路线正确： 分三步（先单个优化成员，再定合作方式，最后整体优化）被证明是最优路径，每个阶段都能带来提升。
- 双管齐下： Mass同时优化提示词和拓扑结构，效果比只优化其中一样要好。
- 省钱高效： Mass在优化过程中表现稳定，用更少的尝试次数（样本效率高）就能找到好的设计，省时省钱。
- 想让多个AI合作好，给每个AI的指令（提示词）最关键。
- 让它们合作的流程（拓扑）不需要太复杂，简洁高效最重要。
- Mass框架是一个强大的自动化工具，它能通过三步优化法（精兵 -> 布阵 -> 协同），自动设计出提示词写得好 + 合作流程排得好的超级AI团队，效果碾压以前的方法，还更省钱。
Google和剑桥大学找到了让多个AI高效协作的秘诀（提示词是关键），发明了一个自动化工具（Mass）来帮你设计出最强AI团队！