imbue-ai/darwinian_evolver

解决的问题

Darwinian-evolver 提供了一个框架，通过迭代且受进化启发的过程，自动改进代码片段或提示词模板。它通过自动化变异、测试和选择的循环，解决了手动调整提示词或编写复杂逻辑的问题，即使在用于产生变更的工具（变异器）不可靠的情况下，也能让解决方案朝向更高性能演化。

运作方式

该框架维护一个解决方案（生物体）群体，并通过三个核心组件进行演化：

1. 初始生物体 (Initial Organism)：起点，例如 Python 函数或提示词模板。
2. 评估器 (Evaluator)：一个对生物体性能进行评分并识别特定失败案例（解决方案失败的输入）的系统。
3. 变异器 (Mutator)：一个由 LLM 驱动的代理或提示词，它接收一个生物体及其失败案例，以产生改进版本。

在每次迭代中，框架会根据加权采样方法（考虑性能分数和新颖性）选择有前途的亲本，应用变异，并评估新的后代。它包含诸如 批次变异 (Batch Mutations) 以同时处理多个失败、变异后验证 (Post-Mutation Verification) 以在全面评估前过滤掉不良变更，以及 学习日志 (Learning Log) 以允许变异器参考先前尝试的成功或失败等进阶功能。

适用对象

希望优化 LLM 提示词、演化 AI 编码代理，或解决复杂推理任务（如 ARC-AGI）而无需手动反复试验的开发者和 AI 研究人员。

特色亮点

• 弹性优化 (Resilient Optimization)：即使变异器仅在少数情况下产生改进，也能有效运作。
• 代码演化 (Coded Evolution)：支持演化实际源代码，实现自我改进的变异器，让代理能改进自身的逻辑。
• 灵活采样 (Flexible Sampling)：使用 Sigmoid 缩放的性能和新颖性奖励，以平衡对顶尖解决方案的利用与群体多样性。
• 谱系可视化 (Lineage Visualization)：包含一个工具，可可视化检查群体的演化历史。