驾驭智能体演化

智能体演化已成为改进程序、工作流和科学方案的强大范式，其方式是迭代生成候选、评估候选并利用反馈引导后续搜索。然而，现有方法通常要么实例化为模块化但僵化的固定手工设计流程，要么实例化为能灵活整合反馈却在长程演化中容易漂移的通用智能体。两种形式都会随时间积累丰富的证据，包括候选、反馈、轨迹与失败，却缺乏一个稳定的接口来组织这些证据并修订驱动未来演化的机制。我们通过将智能体演化形式化为一个交互式环境来克服这一局限，其中积累的演化上下文充当过程级状态。我们提出AEvo，一个带缰绳（harness）的元编辑框架：元智能体观察这一状态，其行动不是直接提出下一个候选，而是编辑控制未来演化的流程或智能体上下文。这一统一接口使AEvo既能驾驭基于流程的演化，也能驾驭基于智能体的演化，让积累的证据在长程搜索中变得可操作。在智能体与推理基准上的实证评估显示，AEvo优于五个演化基线，相对最强基线取得26%的提升。在三个开放式优化任务上，AEvo进一步超越四个演化基线，并在相同迭代预算下取得最先进性能。