SeaEvo：通过策略空间演化推进算法发现

大语言模型 (LLM) 引导的进化搜索越来越多地用于自动算法发现，但大多数当前方法主要通过可执行程序和标量适应度来跟踪搜索进度。即使通过启发式描述或反思使用自然语言推理，它通常仍然是短暂的突变上下文或非结构化记忆，而不是在战略方向上组织为持久的群体水平状态。因此，进化搜索可能很难区分同一想法的语法上不同的实现，保留较低适应度但在战略上有前途的方向，或者检测整个策略系列何时饱和。我们引入 \model，一个模块化策略空间层，它将语言级策略推理转化为 LLM 驱动的程序搜索中的一流群体级进化状态。 \model 用明确的自然语言策略表示每个候选程序，通过策略语义对档案进行聚类，检索行为上互补的灵感，并定期导航策略环境以避免饱和方向。在不修改底层进化算法的情况下，\model 在大多数设置中改进了算法发现、系统优化和代理支架设计任务中的现有进化主干。在四个系统基准测试中，\model 实现了 20.6% 的平均相对改进，其中 Prism 上的最佳单次运行得分高出 3$\times$。这些结果表明，持久策略表示为提高 LLM 引导的进化搜索的有效性和成本效率提供了一种实用的机制，指向复合人工智能系统，其搜索能力受益于算法策略的结构化积累和重用。