GEPA (Gradient-based Evolutionary Prompt Architecture) introduit une méthode systématique pour optimiser les prompts et les compétences dans les systèmes d'agents IA. Au lieu de se fier à des essais-erreurs manuels, GEPA utilise le retour de trajectoire des exécutions réelles d'agents pour identifier les schémas d'échec, applique l'analyse du front de Pareto pour équilibrer plusieurs objectifs d'optimisation, et emploie la fusion de modules pour combiner les composants de prompts réussis. Cette approche rend l'optimisation des prompts plus vérifiable et reproductible, répondant à un problème courant dans les déploiements d'agents en production. L'architecture est particulièrement pertinente pour les équipes construisant des agents complexes à plusieurs étapes où la qualité des prompts impacte directement les taux de réussite des tâches. En traitant l'optimisation des prompts comme un processus basé sur les données plutôt qu'un art, GEPA offre une voie vers des systèmes d'agents plus fiables et maintenables. La méthodologie peut être étendue à la sélection des compétences et à l'optimisation de l'utilisation des outils, ce qui en fait un cadre polyvalent pour le développement d'agents.
GEPA est une architecture structurée pour optimiser les prompts et les compétences dans les systèmes d'agents IA en utilisant le retour de trajectoire, l'analyse du front de Pareto et la fusion de modules. Elle transforme l'ingénierie des prompts d'un débogage ad-hoc en un processus systématique et vérifiable. Ceci est important pour les développeurs construisant des agents de production fiables.