ADIAS以问题为中心提升Agent自动设计

自动化Agent设计旨在通过迭代修订、评估与反馈总结来改善Agent的交互框架。然而，现有方法大多采用候选为中心的思路，跨轮次的经验以候选Agent为组织单位，修复进度往往隐式存在，导致修复定位效率不高、部分进展难以巩固，甚至无效干预会在轮次间传播。针对这一局限，一项来自arXiv的研究提出以问题为中心的Agent优化新范式，并在此基础上实现ADIAS框架，用于全代码级别的交互式Agent自动设计。

ADIAS的核心在于将修复进度显式建模为持久问题状态。与候选中心方法逐轮从历史生成记录中隐式推导修复方向不同，ADIAS将问题状态作为优化过程的显式输入，持续维护稳定的问题身份、生命周期状态、支撑证据与干预结果历史。这种设计使得系统能够准确识别哪些问题仍然存在、哪些已被解决、哪些干预措施产生了实际效果，从而避免重复劳动和错误传播。基于该状态，问题引导优化机制可以同时提出修复目标与修订方向，引导后续的全代码级精准修改。

研究者在多个交互式基准上对ADIAS进行了系统评估。结果显示，ADIAS在五个交互基准上平均超出最强基线25.2%，并在四个不同的骨干模型上取得一致性的性能提升。这一结果表明，以问题为中心的优化策略具有较强的通用性，不依赖于特定模型，也能够在不同基础能力上稳定改善Agent的表现。进一步的控制消融实验揭示了各机制的具体贡献：若移除持久问题状态，或将问题中心修订策略替换为候选中心策略，性能下降幅度最高可达40.7%。这充分说明，显式问题状态和问题引导优化是ADIAS提升效率与效果的关键因素。

从方法论角度看，ADIAS的贡献不仅在于提出了新的框架，更在于重新定义了Agent自动设计中的优化对象。候选中心范式将Agent本身视为优化单元，但Agent的修复过程往往横跨多个轮次，涉及多个相互交织的问题。以问题为中心则将优化粒度细化到问题层面，使得修复过程更加透明、可追踪，也更利于系统积累长期经验。持久问题状态类似于一种“工作记忆”，帮助优化器摆脱每次从零开始推理修复路线图的困境，从而将有限的修订能力集中到真正亟待解决的缺陷上。

对于开发者和研究者而言，ADIAS提供了一种可参考的设计思路。在构建自主Agent系统时，显式记录问题生命周期与干预效果，不仅能提高自动优化的效率，也能增强系统的可解释性。未来，这一方向有望与更多元的基础模型、更复杂的交互环境相结合，推动Agent自动设计走向更高水平的生产力与鲁棒性。该论文已在arXiv上发布，相关框架与实验细节为社区提供了进一步的探索基础。