Control-Data Flow Separation: Stable Prompt Optimization in Multi-Agent LLMs
控制-数据流分离：多智能体 LLM 的稳定提示优化
🧭 多智能体控制/数据流分离 ★ 深度解读
University of Waterloo · Manulife
将执行控制协议与可优化文本解耦，用类型化 schema 保证多智能体提示优化不破坏路由/格式，任务性能与稳定性双升
📌 工作参考价值（4 点）
- 在多智能体路由/编排场景（如 query 改写、召回排序、聚合议价）中，把『下一步调哪个 agent / 是否终止 / 输出 JSON 字段』定义成 Literal/dataclass 控制对象，只允许 controller 消费验证后的控制对象，不要把自然语言当路由协议。
- 将 schema 脚手架放进 optimizer 不可读写的 frozen prompt slot；只优化 data-facing prompt。配合 bounded parse retry 与 default valid fallback，可在 TextGrad/DSPy 等优化下维持 100% 协议有效，避免线上 pipeline 崩溃。
- 把任务语义内容（解释、评论、中间结果）留在 unstructured data channel 供其他 agent 与 optimizer 使用，控制层固定后，per-example feedback 对任务质量提升更直接；可用 TextGrad 等做端到端 prompt 优化而不担心格式漂移。
- 工业保险评分案例显示：少量 typed control + 优化后的 prompt 可超过 40+ 行手工领域 prompt，适合电商/广告中规则密集且需要 LLM 协作的评分、审核类 agent 工作流。