CEDAR：面向复杂系统目标导向优化的智能体编排树搜索

复杂系统是人工生命研究的核心对象，通过产生涌现行为的非线性、反馈驱动交互来建模多种现象，应用涵盖种群动态、生物学、经济政策与战略决策。然而，预测反馈结构如何催生涌现行为是人工生命的核心开放难题，这一困难使目标导向的系统设计极具挑战。在既有实践中，系统结构需用DYNAMO或STELLA等专门建模语言编写，劳动密集的工作流程进一步加剧了挑战，限制了采用并妨碍及时决策。为应对这些挑战，我们提出CEDAR，一种利用大语言模型（LLM）智能体自主发现满足用户指定行为目标的复杂系统的方法。其关键创新是与复杂系统深度耦合的LLM驱动蒙特卡洛树搜索（MCTS）：在每次迭代中，LLM Judge依据指定目标评估涌现行为，LLM Editor提出改进变体——Judge充当适应度函数，Editor充当变异算子，类似进化计算中的生成-评估循环。我们将复杂系统表示为带领域特定原语的Python受限可运行子集，让LLM直接修改系统动力学。CEDAR将其形式化为具有LLM参数化转移核与价值函数的MCTS变体，在保持解多样性的同时实现复杂系统行为的目标导向发现，其基于LLM的可解释性揭示了结构变化如何驱动涌现行为。CEDAR减少了人力投入，同时实现了既有方法难以企及的能力，促进复杂系统在各领域的更广泛采用。