SwarmResearch：编排编码智能体进行开放式发现

摘要

如自动研究等长时运行编码智能体能对开放式问题持续发现优化。但它们趋向收敛到单一高层方法——然后进行低级编辑——错过该问题的其他更优方法。我们假设两个测试框架级设计选择促成该行为：在单一长时运行智能体中累积上下文——以及仅暴露单一程序状态供编辑。我们引入SwarmResearch——编排者-子智能体测试框架：牧人智能体（Shepherd Agent）用全局上下文引导一群搜索智能体——每个搜索智能体以局部上下文在各自git分支中运作。在开放式优化任务上——SwarmResearch在13/15任务上发现优于或可比最先进LLM引导演化与多智能体技术的解——由更高层的探索驱动。与串行与并行智能体的固定扩展相比——SwarmResearch的编排者引导扩展通过在不同搜索深度适配并行度发现表现更好的解。

SwarmResearch：编排编码智能体进行开放式发现：论文配图 — 图 1：SwarmResearch 设计推测解码实现。节点代表生成的搜索代理及其解决方案。边表示较低的节点基于上述解决方案构建。顶部节点值显示生成顺序；底部值显示相对于普通解码的加速。 SwarmResearch 在 ∼\sim11 小时内探索了多种方法，但没有收敛于任何一种方法。在 100 个保留的推理密集型任务（5 个种子的平均值）上，SwarmResearch 实现的平均 tok/s 比朴素的普通解码快 4.58 倍。 ∼\sim12 小时后，vanilla autoresearch (Karpathy, 2026) 的加速仅为 1.80×\times，而 CORAL (Qu et al., 2026) 的加速率为 2.26×\times。所有方法均使用 Opus 4.8 Claude 代码。详细信息参见第 4 节。