📖 AI 总结

本文研究如何在不更新底层模型的前提下，通过编辑提示策略来提升智能体合成可执行工作流的能力。作者指出，持续性的提示编辑存在两个相互关联的问题：一是编辑的局部性并不等于效果的局部性，局限于某一策略片段的修改可能沿下游执行链路扩散，改变编辑范围之外的行为；二是编辑效果具有组合敏感性，单独有效的编辑在组合后可能相互干扰，导致收益消失甚至产生危害。为此，作者提出RIPPLE方法，将“在哪里编辑”与“编辑组合后是否仍然安全”两个决策分离：先诊断失败轨迹并将可操作的失败映射到预定义策略片段，再在相同迭代起始策略下比较候选编辑的独立增益，并在已接受的更新基础上重放有潜力的编辑，以暴露下游影响和交互作用，仅保留组合后仍安全的编辑。在合成基准Flow-HO上，该方法将验证成功率最高提升23.1%，并在另外两个冻结语言模型骨干上取得正向收益，同时保持编辑效率和较低的执行成本。交互分析进一步验证了上述两个性质：一个片段局部的工具使用编辑会改变下游资源解析与验证结果，而一个单独有益的编辑在组合后反而变得有害。

🔑 关键词速览