A-EVO-Lab/a-evolve

解决的问题

A-Evolve 为 AI 代理的自主自我改进提供了通用基础设施。它消除了手动框架工程的需求，允许代理使用各种演化算法，在任何领域或基准测试中演化自身的提示、技能和记忆。

运作方式

该系统基于“文件系统合约”运作，其中所有可演化的代理状态（提示、技能和记忆）都存储在标准目录结构中。这允许演化引擎通过 LLM 驱动的操作来变更代理的工作区文件，而无需了解代理的内部架构。

演化过程遵循五阶段循环：

1. Solve：代理执行一批任务。
2. Observe：轨迹和基准测试反馈被收集到日志中。
3. Evolve：引擎分析日志并变更工作区文件。
4. Gate：在保留任务上验证变更，如果导致性能衰退，则通过 git 回滚。
5. Reload：代理重新加载更新后的工作区。

适用对象

专为从事 LLM 自我优化、强化学习和代理架构的 AI 研究人员与开发人员设计，他们希望在 SWE-bench 或 MCP-Atlas 等多样环境中测试和演化代理。

亮点

• 通用可插拔性：支持“Bring Your Own Agent”(BYOA)、“Bring Your Own Benchmark”(BYOE) 和“Bring Your Own Algorithm”(BYO-Algo)。
• 零手动工程：以最少的代码在多个基准测试（例如 MCP-Atlas、SWE-bench Verified）上实现 SOTA 性能。
• 基于 Git 的版本控制：每个被接受的变更都会加上 git 标签，以实现完全的可重复性和审计追踪。
• 参考算法：包含四种内置演化策略：adaptive_evolve、adaptive_skill、skillforge 和 guided_synth。