多Agent系统像一个分工小组：有人规划，有人执行，有人检查。最终答案出错时，难点不只是“怎么改提示词”，而是先找出究竟哪个角色该负责。以往方法可能轮流修改，甚至一起重写，既费时间，也容易改错地方。AgentGrad想把这一步自动化。
它的关键做法是“逐个干预”：一次只改变一个Agent的行为，例如给它额外提示，再观察整个系统能否转败为胜。若能，就把该Agent视为本次故障的修改目标，并把干预后的输出当作参考答案。系统随后生成“文本梯度”——不是数学公式，而是一段说明失败原因和修改方向的自然语言批注，用来重写对应提示词。
AgentGrad还会把含义相近的批注聚在一起，提炼共同的纠错规律，避免把无关问题混成一条指令。作者称，它在问答、事实核验、指令遵循、隐私委派和数学推理等五类基准上，使用Qwen3-8B与GPT-5-mini时均优于TextGrad、GEPA等对照方法。更值得关注的是，它把“谁该改”也纳入优化流程；但能否替代真实系统中的手工联调，仍需更多场景验证。