innovateswarm-prompts

InnovateSwarm多智能体提示词数据集是一个专为智能体时代设计的创新性多智能体协作模板集合。该数据集包含9种不同功能的模板，涵盖大脑代理（Brain Agent）、视角刷新（Refresh Perspective）、群体思维（Swarm Tank）、创意救援（Idea Rescue）、创意工厂（Idea Factory）、交叉授粉（Cross Pollination）、最小可行实验（MVE）、未来回溯（Future Backcasting）和创新批判（Innovation Critique）等。每个模板提供Markdown和JSON两种格式，适用于Autogen、CrewAI等多智能体框架。该数据集旨在为LLM驱动的多智能体系统提供即用型协调方案，特别适合创新思维、群体决策和复杂问题解决等应用场景。用户可通过HuggingFace datasets库直接加载使用，也可自由修改和分享。

The InnovateSwarm Multi-Agent Prompt Dataset is an innovative collection of multi-agent collaboration templates designed for the agent era. This dataset contains 9 templates with distinct functionalities, covering Brain Agent, Refresh Perspective, Swarm Tank, Idea Rescue, Idea Factory, Cross Pollination, Minimum Viable Experiment (MVE), Future Backcasting, and Innovation Critique, among others. Each template is provided in both Markdown and JSON formats, and is compatible with multi-agent frameworks such as Autogen and CrewAI. This dataset aims to provide ready-to-use coordination solutions for LLM-powered multi-agent systems, and is particularly suitable for application scenarios including innovative thinking, group decision-making, and complex problem-solving. Users can directly load and utilize it via the Hugging Face Datasets library, and are free to modify and redistribute it.

原始信息汇总

数据集概述

名称：InnovateSwarm Multi-Agent Prompts

描述：这是一个基于创新的、可直接使用的多智能体协调模板集合，专为智能体时代构建。数据集包含多个提示模板，旨在促进多智能体之间的协作与创新。

标签：prompt, multi-agent, agent, coordination, swarm, llm, autogen, crewai, innovation, innovate

可用模板：共9个模板，每个模板均提供Markdown和JSON两种格式。以下是具体模板列表：

模板名称	Markdown文件	JSON文件
🧠 Brain Agent	brain-agent.md	brain-agent.json
🔄 Refresh Perspective	refresh-perspective.md	refresh-perspective.json
🦈 Swarm Tank	swarm-tank.md	swarm-tank.json
🚀 Idea Rescue	idea-rescue.md	idea-rescue.json
⚡ Idea Factory	idea-factory.md	idea-factory.json
🌐 Cross Pollination	cross-pollination-engine.md	cross-pollination-engine.json
🧪 MVE (Minimal Viable Experiment)	mve.md	minimal-viable-experiment.json
🔮 Future Backcasting	future-backcasting.md	future-backcasting.json
🛡️ Innovation Critique	innovation-critique.md	innovation-critique.json

使用方法：可使用Hugging Face的datasets库加载整个数据集。

python from datasets import load_dataset

dataset = load_dataset("InnovateSwarm/innovateswarm-prompts")

相关链接：

• 主网站：https://innovateswarm.com
• Prompts JSON索引：https://innovateswarm.com/prompts-json
• GitHub仓库：https://github.com/InnovateSwarm/InnovateSwarm-Instructions

许可说明：数据集允许自由复制、修改和分享结果。

搜集汇总

数据集介绍

构建方式

在大型语言模型与多智能体系统迅猛发展的背景下，针对智能体间高效协同的需求日益迫切。该数据集系统性地收集并整理了一系列以创新为导向的多智能体协作模板，涵盖脑力激荡、视角刷新、群智碰撞、创意拯救、灵感工厂、异花授粉、最小可行实验、未来回溯及创新批评等九大典型场景。每个模板均以Markdown和JSON两种格式呈现，既便于人类阅读理解，也利于程序化调用与集成。

特点

该数据集的特色在于其高度的实用性与结构化设计。所有模板均围绕创新流程这一核心主题展开，为多智能体系统的协作交互提供了标准化的指令框架。模板内容覆盖了从发散性思维到收敛性评估的完整创新链条，同时兼容AutoGen、CrewAI等主流多智能体框架，展现出良好的框架适配性与业务场景延展性。

使用方法

使用者可通过Hugging Face Datasets库便捷加载数据，例如调用load_dataset('InnovateSwarm/innovateswarm-prompts')即可获取完整数据集。每个模板均包含结构化的系统指令与角色定义，可直接嵌入智能体的系统提示词中。此外，官方还提供了JSON索引接口与GitHub仓库，支持二次开发与自定义修改，降低了多智能体系统在创新场景下的部署门槛。

背景与挑战

背景概述

多智能体协作是人工智能领域的前沿课题，旨在通过多个智能体间的相互配合解决复杂任务。InnovateSwarm Multi-Agent Prompts数据集由InnovateSwarm团队创建于近期，专注于为多智能体系统提供即用型协调模板。该数据集的核心研究问题在于如何设计高效、可泛化的提示框架以引导智能体在创新任务中实现协同工作。其提供了涵盖头脑风暴、交叉授粉、实验设计等场景的模板，对推动多智能体系统在创新领域的应用具有重要意义，尤其为LangChain、AutoGen等框架的开发者提供了标准化基础。

当前挑战

该数据集所解决的领域问题挑战在于多智能体协调实践中提示设计的碎片化与低效性，当前缺乏统一且可重用的模板来指导智能体在创新流程中的角色分配与信息交换。构建过程中面临的核心挑战包括：如何抽象不同创新场景的通用交互模式以形成模板，确保模板在跨框架兼容性（如AutoGen与CrewAI）的同时维持语义一致性；以及如何平衡模板的灵活性（应对多样化任务）与精准性（避免误导智能体行为），从而提升协作效率与输出质量。

常用场景

经典使用场景

在智能体技术蓬勃发展的时代，多智能体协作已成为突破复杂创新任务的关键范式。InnovateSwarm Multi-Agent Prompts 数据集专为多智能体协调场景设计，提供了丰富的即用型协作模板，如“Brain Agent”、“Swarm Tank”和“Idea Factory”等，广泛应用于创意生成、观点批判、思维交叉授粉及未来回溯推演等任务。研究人员可利用这些模板快速搭建多智能体系统，模拟群体智慧驱动下的创新流程，是探索多智能体协作机制与提示工程结合的重要基础资源。

解决学术问题

该数据集有效回应了多智能体系统在创新任务中的协调效率低下与提示设计分散两大核心问题。通过提供结构化、可复用的协调模板，它解决了学术界长期面临的缺乏统一基准与标准化提示接口的困境，推动了多智能体协作在创意孵化、风险评估及实验设计等方向的研究进展。其意义在于为群体智能理论、分布式决策及人机协同创新提供了可量化的实验载体，显著降低了研究门槛，加速了相关理论验证与应用落地。

衍生相关工作

该数据集催生了一系列衍生工作，包括基于其模板改进的多智能体推理优化方法、面向特定领域（如医疗、金融）的定制化协调提示库，以及融合外部知识图谱的增强型创新思维链框架。部分研究进一步提出了自动化提示组合与动态角色分配机制，推动了“Swarm Intelligence + LLM”交汇方向的发展。此外，围绕该数据集的评测基准与对比实验也相继出现，为衡量多智能体提示泛化能力提供了标准化工具，形成了活跃的研究生态。