本文提出了多智能体提示梯度下降 (MAPGD)，这是一种新颖的提示工程框架，对于利用大规模语言模型 (LLM) 至关重要。MAPGD 将提示优化重新定义为多个专用智能体之间的协作过程。每个智能体专注于特定的改进维度，例如指令清晰度、示例选择、形式结构或风格自适应，并通过语义梯度嵌入、冲突检测和融合来协调其贡献。为了增强鲁棒性和稳定性，MAPGD 引入了超球面约束梯度聚类 (HCGC)，该聚类对紧凑、分离良好的聚类强制实施角度边界约束；以及通道自适应智能体加权 (CAAW)，该加权基于验证性能动态地调整智能体贡献的权重。实验结果表明，MAPGD 在准确率和效率方面均优于单智能体和随机基线，证明了梯度融合、智能体专用化和冲突解决的有效性。MAPGD 为鲁棒的提示优化提供了一个统一的、基于梯度的、可解释的框架，并具有理论上的收敛保证。
