论文
LoongFlow：经由认知“计划—执行—总结”范式的定向演化搜索
LoongFlow: Directed Evolutionary Search via a Cognitive Plan-Execute-Summarize Paradigm
摘要
从静态大型语言模型（LLM）向自我改进 Agent 的过渡，受到传统演化方法缺乏结构化推理的阻碍。现有方法常在高维代码空间中过早收敛、探索效率低下。为应对这些挑战，我们提出 LoongFlow，一个自演化 Agent 框架，以显著更低的计算成本达到最先进的解质量。与“盲目的”变异算子不同，LoongFlow 将 LLM 集成到认知“计划—执行—总结”（PES）范式中，将演化搜索有效映射为一个以推理为主的过程。为维持长期架构连贯性，我们引入混合演化记忆系统。通过将多岛模型与 MAP-Elites 和自适应玻尔兹曼选择协同，该系统在理论上平衡探索—利用权衡，维持多样的行为生态位以防止优化停滞。我们以用于算法发现的 General Agent 和用于管线优化的 ML Agent 实例化 LoongFlow。在 AlphaEvolve 基准和 Kaggle 竞赛上的大量评估表明，LoongFlow 在演化效率上超出领先基线（如 OpenEvolve、ShinkaEvolve）最多 60%，同时发现更优的解。LoongFlow 标志着自主科学发现的重大进步，能以更低的计算开销生成专家级解。
