同一道题换个说法差8.4个点，Agent优化先动哪？

斯坦福的 CS 329Z 课程把 Agent 系统的优化方法画成了一张选型图。第 9 讲给出的判断顺序很直接：先看数据、系统、指标这三根支柱是否齐备，再决定从上下文、权重还是让 agent 自己动手。

课程开场用了一个投票例子说明措辞的分量。在 PaLM 2 上，“Take a deep breath and work on this problem step-by-step” 的准确率是 80.2%，而 “Let's think step by step” 是 71.8%。同一类提示，换个说法就差出明显距离，靠人手调很难找到最优解。

优化的前提

课程把前提拆成三样，缺一不可：

• 数据：训练数据、轨迹、示范、人类反馈；
• 系统：模型、工作流、agent；
• 指标：通过率、LLM 评判、成本和延迟。

优化解决的是“最后一公里”问题。模型给的是通用能力，优化让它贴合具体场景。有些需求很难用 prompt 写清楚，用示例和评估反而更能表达意图。收益包括更可靠、适配特定领域、用更小的模型或更短的 prompt 降低成本，以及把成功和失败的经验沉淀下来。

先动上下文，再动权重

一般先做上下文优化，也就是 prompt 和 few-shots，因为便宜、快、省样本。少样本示例的排序会影响结果（Lu et al. 2022），用探测集上的熵来选排序，可以接近穷举所有排序后的最优效果。

自举推理是另一条路。STaR 用拒绝采样挖出正确的推理过程；DSPy 不需要微调，直接保留指标得分高的推理轨迹当示例，再搜索最佳组合，这种方式有时比人工写的推理或标准答案还好。

反思式优化里，OPRO 把历史 prompt 和对应得分给 LLM 看，让它写出新的 prompt，“Take a deep breath”就是这样被找到的。MIPROv2 分三步：先自举出示例；再结合程序结构、数据特征、成功轨迹和写作技巧生成多条候选指令；最后用贝叶斯代理模型在小批量数据上搜索“指令 + 示例”的最优组合。TextGrad 让 LLM 对输出提改进意见，像梯度一样沿系统里的各个 prompt 反向传递。GEPA 基于反思做 prompt 进化，并保留帕累托前沿上的候选，讲义称它在多个任务上优于基线，而且比 RL 省样本得多。

上下文优化不够用、想把能力蒸馏到小模型、或者 prompt 越写越长时，再改权重。SFT 的做法是用强教师模型跑 agent 任务，把轨迹拿来训练学生模型，也可以先验证结果、只保留正确的。FireAct 用 GPT-4 的轨迹微调 Llama2-13B，效果超过了直接 prompt 的 GPT-3.5，关键在于任务和环境要足够多样。

RL 让学生模型自己跑任务，按任务是否完成给奖励，前提是结果可验证。讲义对比了 PPO 和 GRPO：PPO 要在内存中保留 4 个模型、每步训练 2 个；GRPO 只需 3 个、每步训练 1 个，优势值直接用组内奖励的 z-score 计算，DeepSeek-R1 用的就是 GRPO。

On-policy 蒸馏则是学生模型自己采样生成，教师逐 token 打分，好比“复盘自己下过的棋”。讲义引用的 Thinking Machines 结果是，它比 RL 更高效，训出的模型也更好。

让 agent 自己优化

Darwin Gödel Machine 让 agent 修改自己的代码。选哪个版本当“父代”时，表现越好越优先，已有子代越多越靠后。消融实验显示，“自我修改”和“回到早期版本重新探索”这两点都不可或缺。Meta-Harness 让一个元 agent 看到全部历史经验，由它决定下一步改什么，逐步改出更好的 harness。autoresearch（karpathy）给 agent 一个代码仓库，它自己提想法、改代码、跑实验，指标变好就保留，变差就回退，并把结果记下来。讲义还引用了 Cerebras 关于“如何防止这类循环作弊”的文章。

课程给出的总结是：agent 已经是不错的优化器，因此评估指标成了最需要把控的环节。

怎么选

适合上下文优化的情况：只能通过 API 调用、无法微调的强模型；需要频繁、快速地重新优化；环境交互成本高，需要省样本。

适合权重优化的情况：上下文优化不起作用，尤其是指令遵循能力弱的小模型；手上有强教师模型，想换成更便宜的模型；prompt 已经膨胀得太长。权重优化更吃数据，但能随数千、上万条样本持续提升（OpenThoughts-Agent）。

组合使用也有讲究。BetterTogether 指出，有时最好的顺序是先优化 prompt，再优化权重，最后再回头优化一次 prompt。