制御-データフロー分離：マルチエージェントLLMにおける安定なプロンプト最適化

要旨

プロンプト最適化はマルチエージェントLLMシステムを改善できるが、最適化されるプロンプトはしばしば、タスク関連コンテンツの生成と、基盤となるコードが依存する実行上重要なプロトコル（メッセージルーティング、出力フォーマット、終了シグナルなど）の指定という、二つの絡み合った役割を担っている。その結果、コンテンツ生成を改善するためのプロンプト編集が、意図せずプロトコルを破壊し、エージェントパイプライン全体を失敗に至らせることがある。我々の重要な観察は、これら二つの役割は異なる表現形式を持つという点である。すなわち、実行プロトコルは通常構造化されている一方、タスク関連コンテンツは通常非構造化言語で表現される。これに基づき、我々は制御・データフロー分離を提案する。この手法では、実行上重要な制御は型付けされ検証されたプログラムオブジェクトとして表現され、タスク関連言語はエージェント通信のための最適化可能なデータフローとして残される。この設計により、最適化器はルーティングやフォーマッティングのインターフェースをプロンプトドリフトにさらすことなく、マルチエージェントの挙動を改善できる。合成推論、協調レビュー生成、保険料率算定ワークフローにおいて、我々のフレームワークは、タスク性能を一貫して向上させながら、最終的なプロトコル有効性100%を実験的に達成する。

English

Prompt optimization can improve multi-agent LLM systems, but the prompts being optimized often serve two entangled roles: generating task-relevant content and specifying execution-critical protocols, such as message routing, output formatting, and termination signals, on which the underlying code relies. As a result, a prompt edit intended to improve content generation can inadvertently corrupt the protocol and cause the entire agent pipeline to fail. Our key observation is that these two roles have different representations: execution protocols are typically structured, while task-relevant content is usually expressed in unstructured language. Based on this, we propose control-data flow separation, where execution-critical control is represented as typed, validated program objects, while task-relevant language remains the optimizable data flow for agent communication. This design allows optimizers to improve multi-agent behavior without exposing the routing or formatting interface to prompt drift. Across synthetic reasoning, collaborative review generation, and insurance rating workflows, our framework empirically achieves 100% eventual protocol validity while consistently improving task performance.