CORAL：迈向面向开放式发现的自主多智能体演化

基于LLM的演化是开放式发现的一种有前景的方法，这类发现需要持续的搜索与知识积累才能取得进展。现有方法仍在很大程度上依赖固定启发式与硬编码的探索规则，限制了LLM智能体的自主性。我们提出CORAL，首个面向开放式问题的自主多智能体演化框架。CORAL用长期运行的智能体取代僵化控制，这些智能体通过共享持久记忆、异步多智能体执行和基于心跳的干预来探索、反思与协作。它还提供实用保障措施，包括隔离工作区、评估器分离、资源管理以及智能体会话与健康管理。在多样的数学、算法与系统优化任务上的评估中，CORAL在10个任务上刷新最先进结果，与固定演化搜索基线相比以少得多的评估次数取得3-10倍更高的提升率。在Anthropic的内核工程任务上，四个共同演化的智能体将已知最优成绩从1363个周期改进到1103个周期。机制分析进一步表明这些收益如何来自知识复用与多智能体探索和交流。综合来看，这些结果表明更大的智能体自主性与多智能体演化能够显著改善开放式发现。代码发布于https://github.com/Human-Agent-Society/CORAL。