GBC: Gradient-Based Connections for Optimizing Multi-Agent Systems
梯度连接：多智能体系统的细粒度归因与提示优化
🧭 多智能体细粒度归因与提示优化
University of Illinois Urbana-Champaign
将多智能体系统建模为计算图，利用梯度连接权重实现token级影响量化，精准定位错误并优化提示。
📌 工作参考价值
- 多智能体链路可解释性与调试：在电商搜索/推荐的多智能体系统中（如查询改写→召回→排序→生成解释），可借鉴GBC构建计算图，用梯度反向传播计算每个智能体输出的token级贡献，快速定位“哪个智能体哪一步说错了话”，代替人工逐链排查。
- 自动化提示词优化：通过归因图识别错误节点后，直接对相应智能体的提示进行针对性修改（如强化缺失信息、调整角色定义），无需依赖粗粒度宏观调参。对于频繁迭代的对话式购物助手，可嵌入自动优化管道。
- 高效实现AgentChord：论文提出的prefix-based梯度缓存与重计算策略，可降低大规模Agent拓扑下的归因成本，适合在线服务或离线评估时对Agent链路进行细粒度审计。
- 任务导向对话与协商场景：在广告投放的竞价协商、多部门联合推荐等仿照MultiWOZ的任务型多轮对话中，GBC可提升信息传递效率，减少协调失败。
动机：多智能体系统虽能分解复杂任务，但常因协调失误和缺乏细粒度信用分配而表现不佳。现有反馈多为粗粒度，难以判断哪个智能体或交互步骤出错。
方法：GBC将多智能体系统抽象为计算图，在每个连接处引入基于梯度的连接权重，量化上游智能体输出对下游推理的token级影响。通过构建归因图并反向传播特定任务的损失信号，可精确定位错误源头。在此基础上，对相应智能体的提示词进行针对性优化，而非全局调整。为提升效率，提出AgentChord，利用前缀缓存和梯度重计算减少开销。
结果：在MultiWOZ和τ-bench两个多轮任务对话数据集上，GBC优化后的多智能体系统战胜了强单智能体和多智能体基线，且归因质量越高，优化效果越显著。