ADIAS：自动化设计交互式智能体系统的新框架
ADIAS 框架提出“问题中心”优化范式，显著提升智能体自动化设计效率
近日，一篇题为《ADIAS: Automated Design of Interactive Agentic Systems》的论文在 arXiv 上发布，提出了一种全新的自动化智能体设计框架。该研究由 Lekang Jiang、Bohan Tang、Stephan Goetz 和 Yiwen Guo 共同完成，旨在解决现有自动化智能体设计方法中的核心痛点。
现有方法的局限
传统的自动化智能体设计（如基于候选智能体的迭代优化）通常以“候选中心”的方式组织跨轮次经验。每一轮迭代中，系统会生成多个候选智能体方案，对其进行评估，并将反馈汇总用于下一轮改进。然而，这种模式存在三个明显问题：
- 修复目标不精准：跨轮次的改进经验围绕候选方案展开，导致系统难以精准定位真正需要修复的环节。
- 部分进展整合缓慢：有价值的局部改进难以在后续轮次中快速累积和复用。
- 无效干预传播：某些无效的调整可能被错误地延续到后续迭代中，降低整体优化效率。
ADIAS 的创新：问题中心优化
针对上述问题，研究团队提出了一种全新的范式——“问题中心智能体优化”（Issue-Centric Agent Optimization）。与候选中心方法不同，该范式将修复进展显式地建模为持久的“问题状态”（Persistent Issue State），并以此指导后续优化，而非每轮从零开始重新推导。
ADIAS 框架包含两个核心机制：
- 持久问题状态：维护稳定的问题标识、生命周期状态、支持证据以及干预-结果历史。这使得系统能够持续追踪每个问题从发现到解决的完整过程。
- 问题引导优化：基于持久问题状态，联合提出下一轮的修复目标和修订方向，实现全代码级别的智能体设计修改。
实验结果与性能提升
研究团队在五个交互式基准测试上对 ADIAS 进行了评估，结果显示：
- 与最强基线相比，ADIAS 平均性能提升 25.2%。
- 在四种不同的骨干模型上均取得了一致的性能增益。
- 消融实验表明，移除持久问题状态或用候选中心策略替代问题中心修订，会导致性能下降高达 40.7%。
这些数据充分证明了问题中心优化范式的有效性。
行业意义与展望
ADIAS 的提出为自动化智能体设计领域提供了新的思路。在人工智能日益复杂的今天，智能体系统的自动化设计能够大幅降低人工干预成本，提升开发效率。ADIAS 通过显式建模问题状态，使得优化过程更加透明、可控，有望在复杂任务求解、多智能体协作等场景中发挥重要作用。
未来，研究团队计划进一步探索 ADIAS 在更多实际应用中的潜力，并优化其计算效率。该论文的详细内容可在 arXiv 上获取（arXiv:2608.06410）。