evo-hq/evo

何を解決するか

evo はコード最適化の自動化を実現する自動研究オーケストレーターです。開発者が特定の指標（例：速度や精度）を改善するために手動でコードベースを調整するのではなく、evo は AI が自律的に実験を実行し、テストを行い、繰り返しコードを改善してピークスコアに到達するまで進化させます。

動作方法

evo は既存のエージェントフレームワーク（例：Claude Code、Cursor、Codex など）のプラグインとして機能します。システムは発見、実験、選択のループを繰り返します。

1. 発見: discover スキルはリポジトリを分析し、測定対象を特定し、必要な評価ベンチマークと「ゲート」（セーフティチェック）を設定します。
2. 並列実験: オーケストレーターは複数のサブエージェントを生成し、それぞれが独立したワークスペース（git worktree またはリモートサンドボックス）で動作します。これらのエージェントは仮説を立て、コードを編集し、ベンチマークを実行します。
3. 共有状態: すべてのエージェントは失敗トレースや破棄された仮説を共有し、同じミスを繰り返さないようにします。
4. 選択: argmax や epsilon_greedy などの戦略を使用して、次のラウンドで拡張する成功したブランチをオーケストレーターが決定します。
5. ゲーティング: すべての実験は定義されたゲート（例：リグレッションテスト）を通過しなければ保持されません。これにより、正しさを犠牲にして性能を上げる「詐欺」を防ぎます。

対象ユーザー

大規模なコードベース内で、パフォーマンスチューニング、バグ修正、メトリクス最適化といった繰り返しで面倒な作業を AI エージェントを使って自動化したい開発者向けです。

特徴

• ツリー探索: 単純な線形経路ではなく、複数の最適化方向を同時に探索する実験の分岐木を使用します。
• マルチバックエンド対応: 実験はローカルの git worktree または Modal、E2B、AWS、Azure などのリモートサンドボックスで実行可能です。
• クロスカットスキャン: 複数のトレースにまたがる複合的な失敗パターンを発見するためのスキャンサブエージェントを採用しています。
• 広範な互換性: Claude Code、Cursor、Kimi など、多数の AI コーディングホストと統合可能です。