Linzwcs/EvoPolicyGym

解决的问题

EvoPolicyGym 解决了传统代码基准仅评估最终答案的局限性。它提供了一个框架，用于评估代码代理如何通过迭代实验、从反馈中学习，并在交互式环境中逐步演化出可执行策略（即策略）来解决复杂任务。

工作原理

该系统在代理、工作区和服务器之间形成一个循环。代理编辑一个策略程序（定义 make_policy 函数的 Python 文件），提交执行一组剧集，并接收公开反馈。

关键机制包括：

• 预算化实验：代理被分配一个固定的剧集预算，用于在探索和确认策略之间分配资源。
• 标准化接口：将多种环境（如 NetHack、Balatro 和 Gymnasium）统一到一个共同的基准契约下。
• 评估生命周期：流程从使用预算的主动实验开始，过渡到对保留剧集的私有验证和最终评估，以确保泛化能力。
• 主机控制：主机管理剧集池、预算和最终选择，防止代理对特定种子过拟合。

适用人群

• AI 研究人员：研究自主策略演化以及代理如何从有限反馈中学习的研究者。
• 代码代理开发者：使用 Claude Code、Codex 等工具构建代理，希望观察其如何随时间改进可执行策略的开发者。
• 基准作者：希望使用提供的编写 API 创建标准化交互式环境基准的用户。

主要亮点

• 广泛环境支持：支持 ARC Prize、AtCoder、Crafter、DeepMind Control Suite、Gymnasium（Box2D、MuJoCo、Toy Text）、MiniGrid、NetHack（NLE）等。
• 代理集成：提供 Codex、Claude Code、Kimi Code 和 Qoder 的官方 CLI 集成。
• 强调泛化能力：特别衡量代理在未见剧集上的泛化能力，而不仅仅是解决单个实例。
• **FileNotFound: 当前 alpha 版本中无沙箱隔离（ProcessExecution 不是沙箱）。