Escher-Loop：闭环自指优化的共同进化

尽管近期的自主智能体展现出令人印象深刻的能力，它们大多依赖人工编写的流程和手工设计的启发式规则，这从本质上限制了其开放式改进的潜力。为解决这一问题，我们提出Escher-Loop，一个完全闭环的框架，它使两个不同的种群实现共同进化：解决具体问题的Task Agent，以及递归地同时精炼任务智能体与自身的Optimizer Agent。为维系这种自指式进化，我们提出一种动态基准测评机制，将新生成任务智能体的经验分数无缝复用为相对胜负信号，用以更新优化器的分数。该机制把任务智能体的进化本身作为固有信号，无需额外开销即可驱动对优化器的评估与精炼。在数学优化问题上的实证评估表明，Escher-Loop有效突破了静态基线的性能上限，在匹配算力下于所有评估任务上取得最高的绝对峰值性能。值得注意的是，我们观察到优化器智能体会动态调整自身策略，以匹配高性能任务智能体不断变化的需求，这解释了该系统持续改进与后期表现优越的原因。