当搜索变成记忆：通过自我进化技能加速机器人设计发现

大语言模型 (LLM) 越来越多地用作进化机器人设计的建议生成器，但大多数循环仍然是无记忆的：模拟器结果塑造了下一个群体，但没有保留为可重用的设计知识。我们推出了 Auto-Robotist，这是一种自我进化的 LLM 代理，它将形态搜索痕迹提炼成明确的自然语言技能库。每项技能都存储了一个结构原型、基于证据的积极和消极规则以及支持它们的评估设计，使设计记忆可检查而不是隐含在群体中。在搜索过程中，智能体检索技能来调节精英机构的 LLM 编辑，同时保留用于探索的遗传算法（GA）突变路径；评估后，它通过添加、诊断和合并更新库。在涵盖运动、遍历和对象交互的七个 EvoGym 任务中，Auto-Robotist 改进了冷启动 5x5 搜索，并将学到的技能转移到 10x10 设计空间，其中参考条件转移在每项任务上都优于 GA。这些结果表明 LLM 代理可以将昂贵的物理评估转化为可重用、可审核的设计原则。我们的代码可在 https://github.com/wangyf9/Auto-Robotist 上公开获取。