MAGEO: From Experience to Skill — Multi-Agent Generative Engine Optimization via Reusable Strategy Learning

会议: ACL 2026 Findings
arXiv: 2604.19516
代码: https://github.com/Wu-beining/MAGEO
领域: 模型压缩
关键词: 生成引擎优化, 多智能体框架, 策略复用, 引文忠实度, 可见性优化

一句话总结

本文将生成引擎优化（GEO）从逐实例启发式优化重构为策略学习问题，提出 MAGEO 多智能体框架——执行层由偏好/规划/编辑/评估四个智能体协作，学习层将验证有效的编辑模式蒸馏为可复用的引擎特定策略技能，并引入 Twin Branch 因果评估协议和 DSV-CF 双轴指标，在三个主流引擎上显著优于启发式基线。

研究背景与动机

领域现状：生成引擎（如 ChatGPT、Gemini）正在用引文锚定的答案替代搜索链接列表，重塑信息获取方式。内容创作者需要优化页面以在生成答案中获得引用——即生成引擎优化（GEO）。

现有痛点：(1) 现有 GEO 方法逐实例独立优化，无法积累或迁移有效策略；(2) 评估混淆了表面可见性和语义影响，允许曝光提升伴随错误引用；(3) 引擎偏好建模粗糙，缺乏引擎特定的策略学习。

核心矛盾：当前 GEO 困在逐实例试错中，而非演化为累积性的、技能构建式的过程。每次优化从零开始，无法利用过往成功经验。

本文目标：(1) 将 GEO 重构为策略学习问题；(2) 构建能积累和复用策略的多智能体框架；(3) 设计因果可归因的评估方法。

切入角度：双层架构——执行层负责协作优化，学习层负责从成功经验中提炼可复用的策略技能。

核心 idea：将验证有效的编辑模式抽象为结构化的策略技能（包含适用条件、编辑操作和效果评估），存入技能库并在新任务中检索复用。

方法详解

整体框架

MAGEO 想解决的事很具体：内容创作者要让自己的页面被生成引擎（ChatGPT、Gemini）在作答时引用，但过去的 GEO 方法每碰到一个新页面就从零试错，攒不下经验。MAGEO 把它拆成上下两层来转。下面是执行层，一个 Generate-Evaluate-Select 的迭代循环：偏好智能体先分析目标引擎的引用偏好，规划智能体据此制定修订策略，编辑智能体落地具体改写，评估智能体再做质量检查和忠实度门控，不达标就回炉。上面是学习层，把执行层里被验证有效的编辑动作沉淀下来——单会话内用步骤级记忆，跨会话用创作者级记忆，最终汇成一座可检索的策略技能库。两层之间还垫了一个 Twin Branch 评估协议，专门负责把"编辑到底有没有用"从噪声里干净地分离出来。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400, 'subGraphTitleMargin': {'top': 8, 'bottom': 16}}}}%%
flowchart TD
    IN["目标页面 + 目标引擎<br/>(GPT-5.2 / Gemini-3)"]
    subgraph EXEC["多智能体执行层（Generate-Evaluate-Select 循环）"]
        direction TB
        P["偏好智能体<br/>分析引擎引用偏好"]
        PL["规划智能体<br/>制定修订策略"]
        ED["编辑智能体<br/>落地具体改写"]
        EV["评估智能体<br/>忠实度门控 + DSV-CF 打分"]
        P --> PL --> ED --> EV
        EV -->|不达标回炉| PL
    end
    IN --> EXEC
    EXEC --> TB["Twin Branch 因果评估<br/>冻结检索列表，基线分支 vs 优化分支"]
    subgraph LEARN["策略技能库（发现 → 巩固 → 检索）"]
        direction TB
        M1["步骤级记忆<br/>逐条记录编辑正负效果（发现）"]
        M2["创作者级记忆<br/>跨会话提炼反复奏效模式（巩固）"]
        SB["可检索技能库<br/>按引擎 + 场景匹配复用（检索）"]
        M1 --> M2 --> SB
    end
    TB -->|有效编辑沉淀| LEARN
    SB -.->|检索复用技能| PL
    EXEC --> OUT["被引用的优化页面"]

关键设计

1. 多智能体执行层：把"偏好建模—规划—改写—评估"拆给四个专职智能体协作迭代

单 LLM 一把抓地做 GEO 优化时，偏好分析、策略规划、文本改写、质量把关全揉在一次生成里，既难控质量、又容易为了提升曝光而牺牲引用忠实度。MAGEO 的执行层把这条优化流水线拆给四个专职智能体，跑一个 Generate-Evaluate-Select 的迭代循环：偏好智能体先分析目标引擎的引用偏好，规划智能体据此（并检索技能库）制定修订策略，编辑智能体落地具体改写，评估智能体最后做忠实度门控和 DSV-CF 打分——不达标就退回规划重来。为什么有效：分工让每个智能体只对一件事负责、行为可控，而带门控的回环保证只有"既提升可见性、又通过忠实度检查"的编辑才会被接受，这也是上层技能库能沉淀到可靠经验的前提。

2. DSV-CF 双轴评估指标：可见性必须和引文忠实度绑在一起算

现有 GEO 指标要么只数曝光、要么只看质量，结果是优化器可以靠"误引用"刷高表面曝光而不被惩罚。评估智能体用的 DSV-CF 把两轴合进一个分数：

\[S_{DSV\text{-}CF} = \lambda \cdot \bar{S}_{SSV} + (1-\lambda) \cdot \bar{S}_{ISI} - \gamma(1-AA)\]

其中 SSV（表面语义可见性）聚合了词级可见性、位置权威、引用突出度和主观印象，ISI（内在语义影响）评估归因准确性、响应忠实度、关键点覆盖和答案主导性，而末项的 \(\gamma\) 直接对错误归因（\(1-AA\)，\(AA\) 为归因准确率）施加惩罚。这样一来，任何曝光提升若不伴随准确归因都会被扣分，堵死了"刷曝光不顾忠实度"的捷径。

3. Twin Branch 评估协议：冻住检索列表，让你只看到编辑本身的因果效果

黑盒引擎的麻烦在于检索和生成是交织的——你改完文档后引擎引用率变了，到底是"文档写得更好了"还是"它在候选里的检索排名碰巧变了"？分不清就没法归因。Twin Branch 的做法是把检索列表先冻住，然后开两个分支：基线分支保留原始文档，优化分支只把目标文档换成优化版，其余完全一致。同一检索列表下对比两个分支的引擎响应，差异就只能来自这次编辑本身，检索排名波动这个混淆变量被彻底控住了。这让 MAGEO 的每一次"有效/无效"判断都站得住脚，也是上层技能库能可靠积累经验的前提。

4. 策略技能库（Skill Bank）：把一次性的成功编辑蒸馏成可复用的结构化技能

逐实例优化最浪费的地方在于，同一个引擎上奏效的模式其实高度可复用，却每次都被丢掉。技能库给经验设计了三阶段生命周期：发现阶段由步骤级记忆逐条记录每次编辑的正/负效果；巩固阶段跨会话提取反复奏效的模式，固化成结构化技能（带上引擎类型、适用场景、编辑操作、效果指标四要素）；检索阶段在新任务到来时按"引擎+场景"匹配出可用技能直接套用。为了让库长期可扩展，还配了容量上限和按使用频率/新近度的淘汰策略。正是这一层把 GEO 从"逐实例试错"真正推进到了"从经验到技能"。

一个完整示例

拿一篇待优化的产品测评页、目标引擎 GPT-5.2 走一遍：偏好智能体先读出 GPT-5.2 偏好"有明确数据支撑、结构化小标题"的内容；规划智能体据此先去技能库检索——发现一条历史巩固的技能"GPT 场景下把核心结论前置 + 补一句来源标注，归因准确率显著提升"，直接命中并取出；编辑智能体按技能改写文档；评估智能体先做忠实度门控（确认没有为提升曝光而捏造来源），再算 DSV-CF。接着 Twin Branch 上场：冻住检索列表，基线分支用原文、优化分支用改写版，对比发现优化分支的 ISI 确实更高，确认这次编辑因果有效。这条成功记录回流到步骤级记忆，若后续在 GPT 上反复奏效，就会在巩固阶段升级为一条新的可复用技能。整个闭环就是"检索旧技能 → 改写 → 因果验证 → 沉淀新技能"。

损失函数 / 训练策略

MAGEO 是基于 LLM 的多智能体推理框架，不涉及神经网络训练，因此没有 loss，约束体现在评估智能体的忠实度门控和 DSV-CF 阈值上。实现上用 GPT-5.2 和 Gemini-3 Pro 作为基础引擎与评估引擎，并在 MSME-GEO-Bench（覆盖 5 大领域 15 个子类的真实查询）上验证。

⚠️ 原文使用的 GPT-5.2 / Gemini-3 Pro 等模型名及 arXiv 号以原文为准。

实验关键数据

主实验

三个主流引擎上的 DSV-CF 性能

方法	GPT 5.2 SSV	GPT 5.2 ISI	Gemini-3 SSV	Gemini-3 ISI
无优化	基线	基线	基线	基线
GEO (启发式)	中等提升	混合	中等提升	混合
RAID	提升	提升	提升	提升
MAGEO	最优	最优	最优	最优

消融实验

配置	效果	说明
Full MAGEO	最优	完整框架
w/o 技能库	下降	策略复用贡献显著
w/o 偏好智能体	下降	引擎特定建模重要
w/o 评估智能体	下降+忠实度崩溃	忠实度门控不可或缺
w/o Twin Branch	无法因果归因	评估可靠性下降

关键发现

• 引擎特定偏好建模和策略复用是两个最关键的贡献组件
• 评估智能体的忠实度门控至关重要——没有它优化可能通过误引用来提升表面曝光
• 策略技能在同一引擎内跨场景有良好的迁移性，但跨引擎迁移效果有限
• 传统 SEO 策略（关键词密集化）在生成引擎上无效甚至有害

亮点与洞察

• 从"逐实例试错"到"策略学习"的范式转变是 GEO 领域的重要理论贡献
• Twin Branch 因果评估协议解决了黑盒引擎评估的根本难题
• 技能库的三阶段生命周期（发现→巩固→检索）设计可迁移到其他需要经验积累的智能体系统

局限与展望

• 策略技能的有效性可能随引擎更新而衰退
• 评估主要依赖 LLM-as-Judge，可能有系统性偏差
• MSME-GEO-Bench 的查询多样性有限
• 未来可探索技能的自动更新和跨引擎迁移学习

相关工作与启发

• vs GEO/GEO-Bench: 量化曝光但逐实例优化，无策略积累；MAGEO 增加学习层
• vs RAID: 意图感知但无策略复用；MAGEO 通过技能库实现经验迁移
• vs AutoGEO: 学习偏好规则但不积累跨实例策略；MAGEO 的技能库持续进化

评分

• 新颖性: ⭐⭐⭐⭐⭐ 将 GEO 重构为策略学习问题，技能库和 Twin Branch 评估都是新贡献
• 实验充分度: ⭐⭐⭐⭐ 多引擎评估，但实际场景验证有限
• 写作质量: ⭐⭐⭐⭐ 框架设计清晰，指标定义完整
• 价值: ⭐⭐⭐⭐ 为 GEO 领域提供了可扩展的学习驱动范式

相关论文

• [ICLR 2026] Adaptive Collaboration with Humans: Metacognitive Policy Optimization for Multi-Agent LLMs with Continual Learning
• [AAAI 2026] SafeSieve: From Heuristics to Experience in Progressive Pruning for LLM-based Multi-Agent Communication
• [AAAI 2026] Conversational Learning Diagnosis via Reasoning Multi-Turn Interactive Learning
• [ACL 2026] ATLAS: Adaptive Trading with LLM AgentS Through Dynamic Prompt Optimization and Multi-Agent Coordination
• [ICML 2026] OMAC: A Holistic Optimization Framework for LLM-Based Multi-Agent Collaboration