gepa-ai/gepa

解决的问题

GEPA（遗传-帕累托）是一种旨在针对特定评估指标，优化依赖文本参数（如提示词、代码、代理架构和配置）的任何系统的框架。它克服了传统优化器仅能判断候选方案是否失败的局限性；GEPA 通过分析执行轨迹，识别失败的原因，从而推动有针对性的改进。

工作原理

GEPA 结合了基于 LLM 的反思与帕累托高效的进化搜索：

1. 选择：从帕累托前沿中挑选在不同任务子集上表现最佳的候选方案。
2. 执行：在小批量数据上运行候选方案，并捕获完整的执行轨迹（错误信息、日志、性能分析数据）。
3. 反思：LLM 分析这些轨迹，诊断失败的根本原因。
4. 变异：基于诊断结果，LLM 生成候选方案的改进版本。
5. 接纳：将改进后的候选方案加入池中，并更新帕累托前沿。

它还利用了“可操作的附加信息”（ASI）——一种类似于梯度的文本形式诊断反馈，并能融合两个帕累托最优候选方案的优势。

适用人群

• AI 工程师：需要优化复杂提示词或代理工作流，而无需手动猜测修改方案的人。
• 系统研究人员：希望优化非提示词文本产物（如调度策略或代码）的人。
• DSPy 用户：希望通过 dspy.GEPA 将自动化优化集成到 AI 流水线中的人。
• 代理开发者：希望为其代理提供通过 GEPA 代理技能实现自我优化能力的人。

核心亮点

• 高效性：声称比强化学习（如 GRPO）快 35 倍，且显著低于使用顶级模型（如 Claude Opus）的成本。
• 多功能性：可优化提示词、代理架构、RAG 配置，甚至 SVG 图形。
• 广泛集成：已集成至 MLflow、Pydantic AI、Comet ML Opik 以及 Google 的 Gemini Enterprise Agent Platform 等主流工具。
• 可扩展性：提供 GEPAAdapter 接口，可接入任意系统，并内置 LangChain、MCP 和 RAG 的适配器。