面向深度复合AI系统的文本均衡传播方法

大语言模型（LLMs）越来越多地被部署于协调多个模块（如检索器、工具、验证器）的复合AI系统中，执行长周期工作流。现有基于全局文本反馈传播的方法（如TextGrad）在系统深度增加时性能下降，表现为“文本梯度爆炸”和“文本梯度消失”两种失效模式。为此，本文提出文本均衡传播（TEP），受能量模型中均衡传播启发，包含自由相（局部LLM批评者迭代优化提示至均衡）和扰动相（通过前向信号而非反向链进行有界提示编辑）。该方法在长程问答和多智能体工具使用任务中优于TextGrad，且随系统深度提升效果更显著，同时保持黑盒LLM组件的实用性。