AI Papers Daily

#System Prompt

2 篇

MAS-PromptBench: When Does Prompt Optimization Improve Multi-Agent LLM Systems?

MAS-PromptBench：多智体系统中提示优化何时有效？

🧭 多智体提示优化基准

Johns Hopkins University

首次系统基准测试多智体场景下的提示优化，揭示其有效条件与敏感性

📌 工作参考价值（4 点）

• 当业务用多智体做商品描述生成、客服协作等时，应先手动设计角色提示再简单微调，仅需少量迭代即可达到大部分收益
• 不同通信协议（如流水线 vs 辩论）对提示优化的敏感度差异大：在高安全要求场景优先采用融合多智体输出再优化的模式
• 团队规模增大时提示优化的边际收益下降，推荐保持 3-5 个角色的轻量架构，避免优化成本指数增长
• 系统提示优化可替代模型微调，快速适应业务变化（如活动主题切换），适合需要频繁调整策略的电商推荐 Agent

MultiAgent | 2026-06-22 | cs.LG | score 7/10

Multi-Agent SystemsPrompt OptimizationLLM AgentsBenchmarkSystem Prompt

Prompt-Level Distillation: A Non-Parametric Alternative to Model Fine-Tuning for Efficient Reasoning

提示级蒸馏：非参数替代微调的高效推理方法

🧭 提示蒸馏 · 高效推理

Google

将教师模型的推理模式蒸馏为结构化的系统提示，让小模型零微调、低延迟达到前沿推理性能

📌 工作参考价值（4 点）

• 实时推理场景降本：在电商搜索意图理解、推荐理由生成等需要多步推理的任务中，可将大模型的 CoT 推理模板提炼为系统提示注入小模型，延时几乎不增加，推理成本大幅降低。
• Agent 决策加速：在 Multi‑Agent 任务规划中，复杂 CoT 可蒸馏为精简指令，使 Agent 用 4B 模型即可完成原本需要大模型才能做的逻辑推理，适合高并发在线服务。
• 可解释性与合规：提炼出的显式推理步骤天然透明，便于风控、内容审核、推荐解释等场景实现人工校验，满足强监管行业需求。
• 工程快速迭代：无需微调、不改变模型权重，只需更新系统提示即可迁移推理能力，适合 A/B 测试和快速部署至边缘设备。

Reasoning | 2026-06-01 | HF Daily | score 6/10

Prompt DistillationChain-of-ThoughtSystem PromptEfficient ReasoningSmall ModelsNon-Parametric