一句话看懂：Hugging Face Papers 收录的论文提出 CEPO 框架，把多智能体系统中的“协调指令”和“执行指令”拆成两类提示词分别优化，并在 11 个基准上测试显示能让四种现有提示词优化器表现稳定提升。
事件核心：发生了什么
根据论文摘要（2026 年 10 月 26 日发布，信息仅限摘要范围，未核验全文实验），CEPO 全称 Coordinator-Executor Prompt Optimization，即“协调者—执行者提示词优化”。它针对的是多智能体系统（MAS）中的一个常见问题：现有提示词优化方法往往把“系统怎么协作”和“单个智能体怎么干活”混在同一组智能体专属提示词里，导致两部分互相牵制。
CEPO 的做法是把系统级协调逻辑抽出来，放进一份共享的协调者提示词；各智能体的执行指令则保留为独立的执行者提示词，再按各自角色分别引导更新。框架本身只提供提示词结构和优化方向，底层搜索仍交给现有提示词优化器完成。摘要称，在覆盖四个领域、共 11 个基准的实验中，把 CEPO 接到四种现有优化器上都带来一致提升；另有一项文档理解多智能体系统的对照研究显示，优化预算效率以及随智能体数量扩展的表现有所改善。
为什么重要
多智能体是当前大模型应用落地的一条重要路线，从自动化工作流、代码协作到文档处理，都依赖多个智能体分工。提示词在这个体系里相当于“配置层”，但过去的优化工具大多假设只有一个提示词或一组同构提示词。CEPO 的价值在于提出一种可复用的结构约定：协调规则共享维护、执行细节各自调整。这意味着提示词优化器不必重写，也能接入多智能体场景，对开源工具链和智能体框架设计者来说是一个低门槛的改进方向。
对用户/开发者/创作者的影响
对开发者，CEPO 更像一个设计思路而非即插即用的 API：如果正在用 LangGraph、AutoGen 等框架搭多智能体应用，可以尝试把全局协作规则与各角色提示词分开管理，再套用已有优化器调参。对使用 AI 应用的企业而言，这类结构若能落地，可能降低多智能体系统随规模扩大而失控的调试成本。普通用户和内容创作者短期内不会直接看到变化，目前公开信息显示没有对应产品或服务发布。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文及代码是否公开，实验细节能否复现；二是主流智能体框架或提示词优化工具是否会吸收这种“共享协调提示词＋独立执行提示词”的结构；三是在真实业务多智能体系统中，这种拆分是否会带来额外的提示词维护成本，以及随智能体数量增长的效果是否稳定。
