論文の概要: MAPRO: Recasting Multi-Agent Prompt Optimization as Maximum a Posteriori Inference

• arxiv url: http://arxiv.org/abs/2510.07475v1
• Date: Wed, 08 Oct 2025 19:21:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.68861
• Title: MAPRO: Recasting Multi-Agent Prompt Optimization as Maximum a Posteriori Inference
• Title（参考訳）: MAPRO: Posteriori推論の最大値としてマルチエージェントプロンプト最適化をリキャストする
• Authors: Zheyuan Zhang, Lin Ge, Hongjiang Li, Weicheng Zhu, Chuxu Zhang, Yanfang Ye,
• Abstract要約: MAPRO (Multi-Agent PRompt Optimization) は、まずMASの最適化を、MAP(Maximum a Posteriori)推論問題として定式化するフレームワークである。 クレジットの割り当てに対処し、システムを反復的に更新するために、MAPROはトポロジ対応のリファインメント機構を採用している。 MAPROは様々なタスクのベンチマークで最先端のパフォーマンスを達成し、手作業によるベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 40.87762929194057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have demonstrated remarkable capabilities across diverse tasks, and LLM-based agents further extend these abilities to various practical workflows. While recent progress shows that multi-agent systems (MAS) can outperform single agents by coordinating specialized roles, designing effective MAS remains difficult due to prompt sensitivity and the compounded instability MAS creates. To cope with the challenge, recent efforts in automated prompt design have reduced manual effort. However, multi-agent prompt optimization remains largely unexplored. Challenges like exponentially expanding search space and ambiguous credit assignment together make systematic design intractable without principled methods. Therefore, we introduce M}ulti-Agent PRompt Optimization (MAPRO), a four-stage framework that first formulates MAS prompt optimization as a Maximum a Posteriori (MAP) inference problem and solves it using a language-guided variant of max-product belief propagation algorithm. To address credit assignment and updates the system iteratively, MAPRO employs a topology-aware refinement mechanism that integrates execution feedback and downstream blames to selectively update agent prompts. Through this process, MAPRO progressively converges to a coordinated set of agent-specific prompt policies. Across benchmarks in various tasks, MAPRO achieves state-of-the-art performance, consistently surpassing manually engineered baselines and recent automated alternatives. Beyond performance, our MAP-based formulation also delivers general guidelines for building more reliable and principled multi-agent systems in the future
• Abstract（参考訳）: 大規模言語モデル(LLM)は様々なタスクにまたがる顕著な能力を示しており、LLMベースのエージェントはこれらの能力を様々な実用的なワークフローに拡張している。 近年の進歩は、マルチエージェントシステム(MAS)が特定の役割をコーディネートすることでシングルエージェントよりも優れていることを示しているが、迅速な感度と複合不安定MASの生成により、効果的なMASの設計は難しいままである。 この課題に対処するため、自動プロンプト設計における最近の取り組みは、手作業の労力を減らした。 しかし、マルチエージェントのプロンプト最適化はほとんど未検討のままである。 指数関数的に拡張された検索空間やあいまいなクレジット割り当てといった課題は、原則的手法を使わずに体系的な設計を難なくする。 そこで,本稿では,まずMASの最適化を最大余剰推定問題として定式化し,最大積信念伝播アルゴリズムの言語誘導変種を用いて解く4段階のフレームワークであるM}ulti-Agent PRompt Optimization (MAPRO)を紹介する。 クレジットの割り当てに対処し、システムを反復的に更新するために、MAPROは、実行フィードバックと下流の非難を統合してエージェントプロンプトを選択的に更新するトポロジ対応の改良機構を採用している。 この過程を通じてMAPROは徐々にエージェント特異的なプロンプトポリシーの集合に収束する。 MAPROは様々なタスクのベンチマークで最先端のパフォーマンスを達成し、手動で設計したベースラインと最近の自動化された代替品を一貫して上回っている。 MAPベースの定式化は、パフォーマンス以外にも、将来より信頼性が高く原則化されたマルチエージェントシステムを構築するための一般的なガイドラインも提供します。

関連論文リスト

• Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
  大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。 既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。 ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
  論文  参考訳（メタデータ） (2025-10-06T10:44:04Z)
• InfiAgent: Self-Evolving Pyramid Agent Framework for Infinite Scenarios [28.65914611521654]
  InfiAgentはピラミッドのようなDAGベースのMulti-Agent Frameworkで、textbfinfiniteのシナリオに適用できる。 InfiAgentはADAS(類似の自動生成エージェントフレームワーク)と比較して9.9%高いパフォーマンスを実現している
  論文  参考訳（メタデータ） (2025-09-26T15:44:09Z)
• Grammar-Guided Evolutionary Search for Discrete Prompt Optimisation [63.97051732013936]
  本稿では,2段階からなる離散的な自動最適化に対する進化的探索手法を提案する。 第1段階では、文法誘導型遺伝的プログラミングが実行され、プロンプト生成プログラムを合成する。 第2段階では、局所探索を用いて、最高のパフォーマンスプログラムの周辺を探索する。
  論文  参考訳（メタデータ） (2025-07-14T14:34:15Z)
• MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
  自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。 MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
  論文  参考訳（メタデータ） (2025-05-21T00:56:09Z)
• HALO: Hierarchical Autonomous Logic-Oriented Orchestration for Multi-Agent LLM Systems [1.1930434318557155]
  階層的推論アーキテクチャに基づくマルチエージェント協調フレームワークHALOを紹介する。 具体的には、タスク分解のための高レベル計画エージェント、サブタスク固有のエージェントインスタンス化のための中レベルロール設計エージェント、サブタスク実行のための低レベル推論エージェントを組み込んだ。 ユーザの大部分がプロンプトエンジニアリングの専門知識を欠いているため、Adaptive Prompt Refinementモジュールを使用して、生クエリをタスク固有のプロンプトに変換する。
  論文  参考訳（メタデータ） (2025-05-17T04:14:03Z)
• Towards more Contextual Agents: An extractor-Generator Optimization Framework [0.0]
  LLM(Large Language Model)ベースのエージェントは、幅広い汎用アプリケーションにわたる複雑なタスクの解決に顕著な成功を収めている。 しかしながら、それらのパフォーマンスは、専門産業や研究領域のようなコンテキスト固有のシナリオで劣化することが多い。 この課題に対処するため,本研究では,LLMエージェントの文脈適応性を高めるための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-18T15:07:06Z)
• Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies [41.21314691388456]
  対話やコラボレーションを行う複数のエージェントとして使用される大規模な言語モデルは、複雑なタスクの解決に優れています。 マルチエージェントシステム(MAS)のプロンプトやトポロジーの設計は本質的に複雑である。 複雑なMAS設計空間を効率的に活用するMAS最適化フレームワークであるMulti-Agent System Search (MASS)を提案する。
  論文  参考訳（メタデータ） (2025-02-04T17:56:44Z)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  マルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークであるAOPを提案する。 本研究では, エージェント指向計画の3つの重要な設計原則, 可解性, 完全性, 非冗長性を明らかにする。 大規模実験は,マルチエージェントシステムにおける単一エージェントシステムと既存の計画戦略と比較して,現実の問題を解決する上でのAOPの進歩を実証している。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。