FreeEvolve：让Agent改进自身的演化流程

Agent进化者围绕语言模型Agent自动设计提示、技能和工作流程，但他们遵循的优化过程仍然是手工设计的：固定的搜索循环决定如何评估候选者、保留哪些候选者以及何时停止搜索。我们提出 FREEEVOLVE，它也可以自动执行此过程。环境指定目标、目标Agent、评估者、数据和资源限制；在这些限制内，进化者自己决定测试什么、收集多少证据、追求哪些候选者以及何时停止。这些决策遵循可编辑的进化技能，我们通过元进化通过在其产生的新目标Agent上对每个候选技能进行评分来改进该技能。因此，优化过程成为从经验中学习的能力，而不是预先设计的循环。在 tau3-bench、ARC-AGI-2、ARC-AGI-3 和 Terminal-Bench 2.1 上，FREEEVOLVE 自行控制进化活动，但将主要保留指标平均提高了 13.6 个点，匹配或超过了手工设计的进化器。学习过程随着经验不断改进：元进化技能比新目标Agent的种子技能增加了 6.9 点，展示了跨环境的可迁移性。