Control-Data Flow Separation: Stable

提示词优化可以提升多智能体大语言模型（LLM）系统的性能，但被优化的提示词通常承担两个纠缠的角色：生成与任务相关的内容，以及指定执行关键协议（如消息路由、输出格式和终止信号），底层代码依赖于这些协议。因此，旨在改进内容生成的提示词编辑可能会无意中破坏协议，导致整个智能体流水线失败。我们的关键观察是，这两个角色具有不同的表示形式：执行协议通常是结构化的，而与任务相关的内容通常以非结构化语言表达。基于此，我们提出了控制-数据流分离方法，其中执行关键的控制被表示为类型化且经过验证的程序对象，而与任务相关的语言则保留为可供优化的智能体通信数据流。这种设计允许优化器在不将路由或格式化接口暴露给提示词漂移的情况下改进多智能体行为。在合成推理、协作式审查生成以及保险评级工作流中，我们的框架实证实现了100%的最终协议有效性，同时持续提升了任务性能。