🤖 AI

Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs

本文提出了一种在运行时动态生成按需、基于角色的智能体的流程，通过根据特定用户需求和上下文定制工作流，以克服固定且硬编码的多智能体架构的局限性。

原作者： Giuseppe Arbore, Andrea Sillano, Luigi De Russis

发布于 2026-05-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Giuseppe Arbore, Andrea Sillano, Luigi De Russis

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你走进一家餐厅，其厨房由一个机器人团队运营。在当前版本的这家餐厅中，机器人拥有固定不变的工作职责。一个机器人永远是那位脾气暴躁的厨师，只说简短的技术指令；另一个永远是那位行动迟缓、过分礼貌的服务员。无论你是谁，无论你点什么菜，厨房的运作方式都完全一样。如果你想要一顿快捷随意的餐食，你仍然不得不面对那位脾气暴躁的厨师；如果你想要对食物进行详细解释，你仍然必须等待那位迟缓的服务员。

本文认为，这种“一刀切”的方法正在阻碍人工智能的潜力。作者——来自都灵理工大学的 researchers——提出了一种构建这些人工智能团队（称为“多智能体系统”）的新方法，让机器人能够即时根据你的需求改变其个性和角色。

以下是他们设想的运作方式，分解为简单步骤：

问题：僵化的厨房

目前，大多数先进的人工智能系统都采用“硬编码”结构构建。设计者会提前决定：“智能体 A 将永远是规划者，智能体 B 将永远是研究员，并且它们将始终按照这种特定顺序相互沟通。”

问题所在：如果你是一位希望获得快速答案的专家，系统可能仍会强迫你经历一个缓慢的、面向初学者的流程。如果你是一位需要友好解释的初学者，系统可能会给你一份冷漠的技术报告。系统并不了解你；它只知道其预先写好的脚本。

解决方案：“变色龙”厨房

作者建议构建一种系统，其中人工智能团队是实时根据你的即时需求组建的。这就像一家厨房，其中的机器人可以瞬间转变为任何能够专门帮助你的角色人格。

如果你提出一个复杂的问题，系统可能会立即创建一个“严厉但才华横溢的教授”人格来解释细节。如果你提出一个简单的问题，它可能会切换为“友好的邻居”人格，给出一个快捷随意的回答。

运作方式：四步流程

本文描述了一个在你每次提问时都会发生的具体流程（管道）。其流程如下：

倾听与理解（查询分析）：
首先，系统倾听你的问题。它不仅仅是读取文字，而是试图弄清楚你是谁（你是专家还是初学者？）以及你真正想要什么（你需要快速总结还是深入探讨？）。它将你的大问题分解为更小、更易管理的任务。
组建团队（智能体生成）：
这是神奇的一步。基于第一步中学到的内容，系统即时创建完美契合你的人工智能智能体。
- 它不是从预设列表中进行选择，而是为你量身定制编写一份新的“职位描述”（人格）。
- 示例：如果你需要一名程序员，它会创建一个“精确、务实”的程序员人格；如果你需要一名创意作家，它会创建一个“富有想象力、辞藻华丽”的作家人格。
- 随后，它“唤醒”这些新智能体，赋予它们具体的指令和个性特征。
团队开始工作（执行）：
系统将小任务分配给新创建的智能体。如果两个任务可以同时进行，智能体将并行工作。如果一个任务需要另一个任务的结果，系统会确保第一个智能体完成后，第二个智能体再开始。它们协同工作，但都专门针对你的具体请求进行了定制。
呈上最终菜肴（聚合）：
一旦所有智能体完成各自的部分，系统就会收集它们的工作成果。它将各个部分拼接成一个流畅、连贯的答案。它确保语气一致，并且最终结果完全符合你的要求，消除任何重复或混淆。

为何这很重要

本文的核心观点是，我们不应再将人工智能智能体视为具有固定个性的静态工具。相反，我们应该将它们视为动态的表演者，能够根据观众调整其表演。

当前方式：你必须适应人工智能的固定风格。
新方式：人工智能调整其风格、角色和团队结构以适应你。

作者认为，这使得该技术更加实用，减少了挫败感。它允许系统像“变色龙”一样，根据用户的专业知识、偏好和具体情况改变其“颜色”，而不是强迫每位用户都 fitting 进单一、僵化的模具中。

简而言之：想象一下，与其面对一个总是表现相同的机器人团队，不如想象一个能够在你每次寻求帮助时，瞬间变成你所需的确切专家、并以你偏好的确切方式说话的团队。这就是本文所提出的构想。

基于 Arbore、Sillano 和 De Russis 的论文《按需构建基于人设的智能体：定制多智能体工作流以满足用户需求》，以下是详细的技术总结。

1. 问题陈述

当前由大语言模型（LLM）驱动的多智能体系统（MAS）存在僵化的架构约束。

设计时的固定选择：现有系统依赖于硬编码的智能体角色、预定义的协调模式以及在部署前建立的静态交互流程。
缺乏适应性：这些固定的模式使得在不手动重写提示词或重新设计编排逻辑的情况下，难以根据特定的用户需求、专业水平或情境细微差别来定制交互。
差距所在：虽然“人设提示（persona prompting）”已知会影响 LLM 的推理和输出风格，但当前的智能体架构并未将人设视为动态的运行时变量。相反，它们仍停留在静态的“风格编辑器”层面，而非适应性的核心架构组件。

2. 方法论：按需人设生成管道

作者提出了一种新颖的管道，将智能体配置从设计时转移到运行时。该系统根据用户的查询、特征和任务背景，动态合成智能体人设和角色。

该管道基于会话模型（在会话内的多次查询中保持一致性）运行，并由中央**编排器（Orchestrator）**管理，包含四个 distinct 步骤：

步骤 1：查询分析

编排器将原始的、开放式的用户输入转化为结构化表示，而不强制使用预定义模板。

ProfileEncode（用户画像编码）：分析用户查询（显性或隐性信号）以生成用户画像（ $u$ ）。这涵盖了领域专业知识、偏好的沟通风格、任务熟悉度以及具体意图。
TaskDecompose（任务分解）：将查询分解为一组离散任务（ $t_1...t_n$ ）。关键的是，此步骤映射任务之间的依赖关系，确定哪些任务可以并行执行，哪些必须按顺序执行。

步骤 2：智能体生成与实例化

这是核心创新点，用动态合成取代了静态角色。

PersonaCraft（人设构建）：针对每个子任务，系统动态构建人设规范（ $p_i$ ）。该规范定义了智能体的角色、领域能力、沟通风格以及工具使用能力。它确保不创建重复角色，并与用户画像保持一致。
AgentFactory（智能体工厂）：利用合成的人设实例化一个基于 LLM 的智能体实例（ $a_i$ ）。人设作为一个配置层，塑造智能体的推理风格、交互行为和输出格式。

步骤 3：智能体分配与执行

编排器根据步骤 1 生成的依赖图管理执行流程。

调度：无依赖的任务并行执行；有依赖的任务按顺序排队执行。
受控信息路由：智能体仅从前序智能体接收其所需的特定上下文和部分结果。这保持了模块化，并防止智能体需要了解其他智能体的内部运作。
执行：每个智能体执行其分配的任务（ $r_i$ ）并返回部分结果。

步骤 4：答案聚合与展示

整合：编排器聚合所有部分结果（ $r_1...r_n$ ）。
优化：合并答案，解决不一致性，消除冗余，并将最终输出与用户请求的风格和格式对齐。
交付：向用户交付单一、连贯的响应（ $R$ ）。

会话连续性：如果用户在同一个会话中提交新查询，管道将重新执行。之前实例化的智能体和人设将被保留，仅在需要额外专业化时追加新的实例。

3. 主要贡献

运行时人设合成：本文引入了一个框架，其中智能体角色和交互策略不再是固定常量，而是根据用户上下文按需生成的运行时变量。
系统化集成管道：详细阐述了一个四步技术管道（分析、生成、执行、聚合），将人设构建直接集成到智能体编排循环中。
基于会话的适应性：该设计允许系统在会话内演进，保留有用的智能体，同时动态添加新的智能体，确保连贯性而无需完全重置系统。
解耦用户与系统拓扑：系统适应用户，而不是强迫用户适应固定的智能体拓扑结构。

4. 结果与评估

注：鉴于这似乎是一篇立场论文或针对 AutomationXP26 研讨会的提案，文中未呈现定量实证结果（如基准分数、延迟指标或用户研究统计数据）。

定性论证：作者认为这种方法解决了用户在僵化的多智能体系统中体验到的“摩擦”。
理论验证：该方法利用了现有研究，表明人设提示会影响推理策略、零样本性能和交互质量（可信度、参与度）。
设计范式转变：“结果”被呈现为智能体平台的新设计范式，从“一刀切”的配置转向情境敏感的适应性。

5. 意义与影响

增强的个性化：通过将人设视为受控变量，系统可以根据不同的用户背景、专业水平和偏好（如语气、详尽程度）定制交互。
适应性的可扩展性：它解决了手动配置的可扩展性问题。系统不再需要创建数千个预定义的智能体画像，而是为特定时刻生成必要的画像。
人机协作：这种方法降低了用户的认知负荷，用户不再需要理解复杂的智能体层级。系统成为一个“流体”界面，根据用户的意图进行塑形。
智能体 AI 的未来：本文将按需人设生成定位为下一代可访问且有意义的智能体系统的基本架构支柱（与记忆、工具和编排并列）。