ADIAS：以问题为中心自动设计智能体框架

近期发表于 arXiv 的论文《ADIAS: Automated Design of Interactive Agentic Systems》提出了一种面向交互式智能体（agent）的自动化设计框架 ADIAS。与以往以候选智能体为中心（candidate-centric）的迭代修订思路不同，ADIAS 将优化过程重新组织为以问题为中心（issue-centric）的范式，通过显式维护持续性问题状态来引导后续的代码级修改，从而提升修复效率并避免无效干预在不同轮次间反复传播。

核心思路：从候选为中心到问题为中心

现有自动化智能体设计方法普遍以候选智能体为主线组织跨轮次经验，即每一轮基于候选历史重新推导修复方向。这一方式带来三个问题：

修复目标定位不够精准，进展难以显式追踪；
部分有效改进的整合速度较慢；
无效干预会在多轮迭代中持续扩散。

ADIAS 将「问题」作为跨轮次优化的持久化载体，通过持续性问题状态（persistent issue state）记录问题的身份标识、生命周期状态、支撑证据以及干预与结果的对应历史。后续的优化策略直接基于这一状态联合提出修复目标与修改方向，从而实现聚焦式的全代码级修订。

框架构成

ADIAS 是一个面向全代码智能体设计的自动化框架，包含两个关键机制：

持续性问题状态：维护稳定的问题身份、生命周期、证据链和干预-结果历史，确保跨轮次信息不丢失；
问题引导的优化：在每一轮迭代中，依据该状态联合决策修复目标与修订方向，输出聚焦的全代码修改。

实验结果

论文在 5 个交互式基准上对 ADIAS 进行了系统评估：

ADIAS 相比最强基线平均提升 25.2%；
在 4 个不同的基座模型上均取得一致增益，说明方法不依赖特定基座；
控制变量消融实验显示，移除持续性问题状态，或将问题中心修订替换为候选中心策略后，性能下降最高可达 40.7%，验证了两个核心机制各自的关键作用。

研究意义

ADIAS 的价值在于将智能体自动化设计从「围绕候选试错」转向「围绕问题持续治理」，为交互式智能体的自演化设计提供了一条更可解释、更可累积改进的路径。该框架既适用于从零生成智能体代码，也可在已有智能体基础上进行迭代优化，对智能体工程化与自动化研究具备一定的参考价值。论文已在 arXiv（编号 2608.06410v1）公开，感兴趣的研究者可进一步查阅完整方法细节与基准设置。