持久智能体在进化搜索中自行做实验可提升程序质量。
资讯摘要
论文提出 AgenticEvolve，一种进化式程序搜索框架：每个岛屿由持久的语言模型智能体运行，在两次评估之间，智能体会对候选程序设计和执行实验。作者将其与关闭实验环节的 No-analysis 配置对比，在两个启发式设计任务、三个大语言模型上，AgenticEvolve 在隐藏与未见实例上均优于 No-analysis 和 OpenEvolve，以更少评估次数达到基线最终质量且成本相当；在十二个方程发现问题中，它比 No-analysis 及现有语言模型和遗传编程基线恢复出更多方程的真实结构。
要点速读
- 每个岛屿由持久语言模型智能体运行，评估间隙设计并执行实验。
- 在两个启发式设计任务、三个模型上优于 No-analysis 与 OpenEvolve，评估次数更少、成本相当。
- 十二个方程发现问题中恢复真实结构的方程数量多于对比基线。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。