PROMPTS: Performance Optimization via Multi-Agent Planning for LLM Training and Serving¶

复现级别：L1 核心机制诊断。 本地执行 profiler 证据排序和受限配置提案；未接入 Google TPU profiler/GSPMD。

论文信息¶

字段	内容
论文链接	PROMPTS: Performance Optimization via Multi-Agent Planning for LLM Training and Serving
论文标识	MLSys 2026 Industry Track（仓库 ID：`mlsys2026-prompts`）
公司/机构	University of Maryland / Google（按第一作者署名单位）
首次公开日期	2026-05-18
原文开源代码	否：未找到作者公开仓库（核查日期：2026-09-14）
Adapter / 方法	`prompts`
本地复现代码	`src/auto_research/agent_research/latest_20260914.py`

Coordinator、Analyzer 和 Proposal Agent 联合读取 profiler 与知识库，诊断瓶颈并输出可解释的 sharding 候选。

flowchart LR
  I[输入与公开状态] --> M[prompts 核心机制]
  M --> A[可审计中间量]
  A --> O[输出或更新]

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

本地代码把论文决定性操作实现为确定性的 reference kernel，并显式输出门控、选择、投影、图边或状态更新统计；测试覆盖公式不变量和边界条件。

8 个生产工作负载最高提升 434%；工程师最终采用方案始终在 top-3，top-1 命中 87.5%。这些数字来自原论文，不与本地缩小实验直接比较；论文未报告线上 A/B 时不推断线上收益。

三种子指标见 metrics/mechanism-seeds42-44.json。所有候选使用相同公开 fixture、预算和 seed；本页结果只证明核心状态转换实际执行。

本地执行 profiler 证据排序和受限配置提案；未接入 Google TPU profiler/GSPMD。