Optima-CityU/LLM4AD_Next

A next-generation automatic algorithm design platform, making automated algorithm design more accessible and easier to use

📦 LLM4AD Next란?

LLM4AD Next(원래 LLM4AD 프로젝트의 후속작)는 문제를 자연어로 설명하면 즉시 완전하고 실행 가능한 진화 알고리즘 탐색 파이프라인을 얻을 수 있는 Python 기반 플랫폼입니다. 다음을 결합합니다:

  • 대화형 AI "컨설턴트"(llm4ad chat)가 질문을 통해 스캐폴딩 코드, 구성 파일 및 평가기를 작성합니다.
  • 알고리즘 구현을 진화시키는 탐색/오케스트레이터 메서드 모음(IslandGA, Diverse Island GA, EoH, MEoH, ReEvo, MCTS-AHD 등).
  • 특정 휴리스틱(예: EoH, MOEA/D)을 구축하는 방법을 인코딩하는 알고리즘 설계 스킬. AI가 자동으로 호출할 수 있습니다.

엔드투엔드 흐름은 다음과 같습니다: 문제 설명 → AI 생성 프로젝트 → 진화적 최적화 → 최적 알고리즘 코드 – 모두 단일 명령으로 실행됩니다.

🚀 주요 기능(README에 설명된 대로)

기능 설명
LLM 기반 대화형 구성(llm4ad chat) 작업에 대해 질문하고 즉시 실행 가능한 프로젝트(평가기, 알고리즘 스켈레톤, 구성, 디버거)를 생성하는 대화형 터미널.
자동 휴리스틱 설계(AHD) 탐색 방법 IslandGA, Diverse Island GA, EoH, MEoH, ReEvo, MCTS-AHD, DyCA 등과 같은 내장 오케스트레이터(일부는 Python 구현이 있고, 다른 일부는 보류 중으로 표시됨).
알고리즘 설계 스킬 코딩 에이전트가 주어진 문제에 대해 알고리즘을 자율적으로 설계할 수 있게 하는 모듈식 스킬 정의(예: EoH, FunSearch, MOEA/D).
Evolve-Block Advisor 및 Recommender 도구를 코드 저장소에 지정하면 스캔하고 점수를 매겨 진화시키기에 가장 유망한 코드 블록을 제안합니다.
AutoResearch 워크플로우 AutoResearchClaw 파이프라인을 실행하는 실험 모드(llm4ad experiment). 알고리즘을 진화시키고 개선 사항만 유지합니다.
장기 메모리(MindMemOS) 전역/프로젝트/작업 범위 메모리. 선택적 채팅/임베딩 모델 바인딩 포함.
웹 데모 및 Docker 이미지 로컬 설치가 필요 없는 호스팅 온라인 데모(https://llm4ad-next.cn/), 재현 가능한 로컬 배포를 위한 버전 관리 Docker 이미지.
광범위한 예제 AlphaEvolve Mathematics 스위트, TSP, lunar-lander RL, 정렬 벤치마크 등의 벤치마크. 실행 가능한 구성 및 결과 아티팩트 포함.

🛠️ 설치 및 빠른 시작

단계 명령 / 작업
클론 git clone https://github.com/Optima-CityU/LLM4AD_Next.git && cd LLM4AD_Next
의존성 uv 설치(권장) 후 uv sync 실행(또는 pip install -r requirements.txt).
LLM 공급자 구성 환경 변수를 설정하거나 ~/.llm4ad/settings.yaml을 생성하여 공급자 정보(OpenAI, Anthropic 등)를 입력합니다.
대화형 빌더 실행 llm4ad chat – AI가 문제에 대해 질문하고 전체 프로젝트를 생성합니다.
준비된 예제 실행 llm4ad run examples/applications/tsp_benchmark_python/config.yaml
온라인 데모(설치 불필요) https://llm4ad-next.cn/을 열고 브라우저에서 알고리즘 설계를 시작합니다.

패키지는 PyPI(llm4ad-next)에 게시되어 있으며 Python 3.12+ 가 필요합니다.

📂 프로젝트 구조(개요)

  • src/llm4ad/ – 핵심 라이브러리: 에이전트, 어드바이저, 빌더, 플래너, 코더, 평가기, 오케스트레이터, 메모리, 인프라.
  • skills/ – 알고리즘 설계, 논문-작업 변환, 연구 단계 글쓰기 등을 위한 재사용 가능한 "스킬" 정의.
  • examples/ – 실행 가능한 벤치마크 작업(수학 최적화, TSP, RL, 정렬) 및 자동 적용 데모.
  • docker/, frontend/, backend/ – Docker compose, FastAPI 백엔드, 웹 데모용 React/Vite UI.
  • docs/ – 전체 사용자 가이드, 설치, 구성, 기여 문서를 포함한 MkDocs 사이트.

🎯 일반적인 사용 사례 워크플로우

  1. 문제를 설명합니다(예: "200개 도시에 대한 고품질 외판원 경로 찾기").
  2. llm4ad chat을 실행합니다. AI가 명확화 질문을 하고 다음을 포함하는 프로젝트 폴더를 생성합니다:
    • 후보 솔루션을 평가할 수 있는 평가기,
    • 스켈레톤 알고리즘(예: GA 템플릿),
    • 탐색 방법을 선택하는 구성 파일(config.yaml).
  3. 필요에 따라 구성을 조정하거나 사용자 정의 평가 코드를 추가합니다.
  4. llm4ad run <config.yaml>을 실행합니다. 선택한 진화적 탐색이 실행되어 코드 변형을 반복적으로 생성하고 평가합니다.
  5. 진화가 중지되면 최고 성능의 알고리즘 코드가 저장되고 검사하거나 배포할 수 있습니다.

📚 문서 및 도움말

  • 온라인 문서: docs/en/index.md(설치, 빠른 시작, 구성, 평가기 작성 방법 등 포함).
  • 비디오 튜토리얼: https://youtu.be/x47kEosu0jk
  • 커뮤니티: GitHub Discussions, Issues 및 WeChat QR 코드 커뮤니티 그룹.
  • 기여: docs/en/contributing/guidelines.md의 가이드를 따르고 pytest로 테스트를 실행하고 black/ruff로 포맷합니다.

📄 라이선스

BSD-3-Clause(LICENSE 참조).

요약 – LLM4AD Next는 대화형 LLM 지원과 진화 알고리즘 탐색을 융합하여 일반 영어 문제 설명에서 작동하는 최적화된 알고리즘을 단일 명령으로 얻을 수 있게 하는 진정하고 활발히 유지 관리되는 오픈 소스 도구입니다.

관련

  • 프로젝트
    Trampoline-AI/predict-rlm

    predict-rlm은 대규모 언어 모델(LLM)에 샌드박스화된 상태 유지 런타임을 제공하는 Python 라이브러리입니다. 모델은 Python 코드를 작성 및 실행하고, 가변 상태를 유지하며, 특정 하위 모델을 호출하고, 도구 및 기술(PDF 처리, 스프레드시트 등)을 사용할 수 있습니다. 이 프레임워크는 관측 가능성을 위해 전체 추적을 기록하며, 해당 추적을 GEPA와 같은 최적화 도구에 공급할 수 있습니다. 문서 분석, 감사, 스프레드시트 자동화와 같은 복잡한 다단계 워크플로우를 대상으로 하며, 선택적 Docker 샌드박스 및 풍부한 콜백을 지원합니다.

  • 프로젝트
    hiyouga/LlamaFactory

    LlamaFactory는 100개 이상의 대규모 언어 모델(LLaMA, Qwen, Mistral, Mixtral‑MoE 등)을 다양한 기술(LoRA, QLoRA, FlashAttention‑2, GaLore 등)을 사용하여 미세 조정할 수 있는 오픈 소스 라이브러리로, 코드 없는 CLI와 Gradio UI를 제공합니다. NVIDIA, AMD, Ascend 하드웨어를 지원하며, 실험 추적, OpenAI 스타일 서빙, Docker 이미지를 내장하고 있고 Amazon, NVIDIA, Alibaba 등에서 사용됩니다.

  • 프로젝트
    OEvortex/llm4free

    텍스트, 이미지, 음성 생성을 포함하여 40개 이상의 무료 및 유료 AI 모델에 대해 통합된 OpenAI 호환 인터페이스를 제공하는 Python 툴킷입니다.

  • 프로젝트
    usail-hkust/LLM-MM-Agent

    MM‑Agent는 LLM이 전체 스택 수학 모델링 보조자로 작동할 수 있도록 해주는 오픈소스 시스템입니다. 비구조화된 문제 설명을 분석하고, 큐레이션된 라이브러리(HMML)에서 정식화를 선택하며, Python 코드를 자동 생성하고 실행하고, LaTeX 보고서를 생성합니다. 웹 UI 또는 단일 CLI 명령어로 모든 작업을 수행할 수 있습니다.

  • 프로젝트
    sophgo/LLM-TPU

    LLM-TPU는 HuggingFace LLM/VLM 체크포인트를 SOPHGO TPU 전용 bmodel로 컴파일하고 즉시 실행 가능한 Python/C++ 데모를 제공하는 오픈 소스 툴킷으로, 양자화, KV-cache, 동적 형태, 다중 칩 병렬 처리를 지원합니다.