Hacker News · 09.07.2026 ·Оркестрация агентов

Оптимизация мультиагентных систем в DSPy с помощью GEPA

GEPA (Generalized Evolutionary Program Optimization) представляет собой новый подход к автоматической настройке мультиагентных систем, построенных на фреймворке DSPy. Метод использует эволюционные алгоритмы для выбора оптимальных стратегий взаимодействия между агентами, позволяя динамически подбирать лучшие предикторы и параметры для каждой подзадачи, что значительно повышает точность и эффективность сложных агентных пайплайнов без ручного написания промптов.

Традиционные методы оптимизации в DSPy часто ограничиваются настройкой отдельных модулей. GEPA расширяет этот подход, рассматривая всю мультиагентную архитектуру как оптимизируемую программу. Система итеративно тестирует различные конфигурации взаимодействия, оценивая их вклад в итоговый результат. Это позволяет автоматизировать поиск наиболее эффективных путей передачи контекста и делегирования задач между узлами системы.

Использование эволюционного подхода дает преимущество в сценариях, где количество возможных комбинаций агентов и их ролей слишком велико для перебора вручную. GEPA анализирует метрики производительности на валидационных наборах данных и постепенно «эволюционирует» структуру программы, отсеивая неэффективные цепочки вызовов и усиливая те, что приносят лучший результат при минимальных затратах токенов.

Ключевые факты

GEPA автоматизирует выбор предикторов в сложных графах вызовов DSPy, заменяя ручную настройку промптов эволюционным поиском.
Метод позволяет оптимизировать взаимодействие между несколькими агентами, подбирая оптимальные сигнатуры и стратегии для каждой роли.
Система использует итеративный процесс оценки, который повышает точность работы мультиагентных систем на специализированных задачах.
Подход снижает зависимость от инженерии промптов, перенося фокус на архитектурную оптимизацию программных графов.

Источник: Hacker News

Обсудить с ИИ

Похожие материалы

Simon Willison's Weblog · Оценка и бенчмарки Оптимизация системных промптов для SQL-агентов с помощью DSPy Саймон Уиллисон продемонстрировал практический подход к улучшению системных промптов для Datasette Agent, используя фреймворк DSPy для автоматизированной оценки и оптимизации. Вместо ручной настройки инструкций, автор применил программный метод, позволяющий итеративно тестировать качество генерации SQL-запросов и повышать точность ответов агента при работе с базами данных, что значительно сокращает время на отладку агентных систем. Hacker News · Оркестрация агентов Dspyer: фреймворк для самокоррекции и оптимизации шагов в DSPy и LangGraph Dspyer представляет собой инструмент для автоматизации самокоррекции и оптимизации цепочек вызовов LLM, интегрирующийся с DSPy и LangGraph. Решение позволяет разработчикам внедрять механизмы обратной связи непосредственно в агентные пайплайны, обеспечивая динамическую настройку промптов и логики выполнения для повышения точности ответов без необходимости ручного переписывания каждого этапа взаимодействия с моделью. arXiv · Машинное обучение Мультиагентные системы для многокритериальной оптимизации в динамических средах Исследователи представили новый подход к решению задач оптимизации в вычислительных и сетевых системах с помощью мультиагентных систем. Традиционные методы обучения с подкреплением часто сводят сложные задачи к минимизации единого скалярного вознаграждения, используя штрафные коэффициенты для учета ограничений. Однако такой подход оказывается недостаточно гибким в динамических условиях, где требования к производительности и затратам постоянно меняются. arXiv · Исследования и наука GaP: новый метод обучения агентов для вариативной промышленной автоматизации Исследователи представили фреймворк GaP (Graph-as-Policy), объединяющий интерпретируемое программирование роботов с адаптивностью моделей обучения с подкреплением. Метод решает проблему вариативной автоматизации, где роботам приходится работать с объектами разной геометрии и положения. Подход позволяет агентам эффективно справляться с задачами, требующими высокой точности в непредсказуемых условиях, превосходя традиционные методы обучения без моделей. arXiv · Оркестрация агентов Оптимизация планирования для LLM-агентов через Information Gain Исследователи представили метод Information Gain-based Rollout Policy Optimization (IG-RPO), который повышает эффективность планирования ИИ-агентов в задачах с длинным горизонтом принятия решений. В отличие от стандартных подходов, алгоритм динамически распределяет бюджет вычислений, фокусируясь на наиболее информативных промежуточных состояниях, что позволяет агентам точнее оценивать последствия своих действий и достигать лучших результатов в многошаговых сценариях. Hacker News · Разработка и инструменты Улучшение ИИ-агентов через траектории в пространстве токенов без дообучения Исследователи представили метод оптимизации поведения ИИ-агентов, основанный на анализе успешных траекторий действий без изменения весов модели. Подход заключается в манипуляции пространством токенов, что позволяет направлять агент к выполнению сложных задач через уточнение контекста и промптов, основываясь на прошлых результатах выполнения, исключая необходимость дорогостоящего дообучения или градиентного спуска. Hacker News · Оркестрация агентов Балансировка Claude 3.5 и GLM-4 в промптах для кодинг-агентов Разработчики представили методологию комбинирования моделей Claude 3.5 Sonnet и GLM-4 для оптимизации работы кодинг-агентов среднего уровня. Использование гибридного подхода позволяет эффективно распределять задачи между моделями в зависимости от сложности кода, снижая затраты на инференс и повышая точность генерации сложных архитектурных решений при сохранении высокой скорости обработки простых запросов. Hacker News · Разработка и инструменты Оптимизация системных промптов в Claude Code для повышения эффективности Разработчики исследовали способы сокращения избыточных инструкций в системных промптах Claude Code, чтобы освободить контекстное окно и повысить точность ответов модели. Анализ показал, что перегруженные промпты замедляют работу и снижают качество следования инструкциям. Оптимизация структуры системного сообщения позволяет агенту быстрее обрабатывать задачи и эффективнее использовать доступные токены для выполнения кода. arXiv · Оркестрация агентов Метод генеративной композиции навыков для ИИ-агентов Исследователи представили фреймворк Generative Skill Composition (GSC), который оптимизирует работу ИИ-агентов при решении сложных многоэтапных задач. Вместо использования монолитных промптов система динамически выбирает и комбинирует модульные «навыки» из библиотеки. Это позволяет агентам эффективнее справляться со специализированными операциями, такими как настройка изолированных сред, запуск тестов или рефакторинг кода в распределенных файловых структурах. arXiv · Оркестрация агентов Исследование оптимизации системных промптов в мультиагентных системах Исследователи представили MAS-PromptBench — специализированный бенчмарк для анализа эффективности системных промптов в мультиагентных архитектурах. В таких системах каждый агент выполняет узкоспециализированную роль, а качество итогового результата напрямую зависит от того, насколько точно заданы инструкции для координации и взаимодействия между участниками процесса.

← Все материалы