A-EVO-Lab/a-evolve

解決的問題

A-Evolve 為 AI 代理的自主自我改善提供了通用基礎設施。它消除了手動框架工程的需求，允許代理使用各種演化演算法，在任何領域或基準測試中演化自身的提示、技能和記憶。

運作方式

該系統基於「檔案系統合約」運作，其中所有可演化的代理狀態（提示、技能和記憶）都儲存在標準目錄結構中。這允許演化引擎透過 LLM 驅動的操作來變更代理的工作區檔案，而無需了解代理的內部架構。

演化過程遵循五階段循環：

1. Solve：代理執行一批任務。
2. Observe：軌跡和基準測試回饋被收集到日誌中。
3. Evolve：引擎分析日誌並變更工作區檔案。
4. Gate：在保留任務上驗證變更，如果導致效能衰退，則透過 git 復原。
5. Reload：代理重新載入更新後的工作區。

適用對象

專為從事 LLM 自我最佳化、強化學習和代理架構的 AI 研究人員與開發人員設計，他們希望在 SWE-bench 或 MCP-Atlas 等多樣環境中測試和演化代理。

亮點

• 通用可插拔性：支援「Bring Your Own Agent」(BYOA)、「Bring Your Own Benchmark」(BYOE) 和「Bring Your Own Algorithm」(BYO-Algo)。
• 零手動工程：以最少的程式碼在多個基準測試（例如 MCP-Atlas、SWE-bench Verified）上實現 SOTA 效能。
• 基於 Git 的版本控制：每個被接受的變更都會加上 git 標籤，以實現完全的可重複性和稽核追蹤。
• 參考演算法：包含四種內建演化策略：adaptive_evolve、adaptive_skill、skillforge 和 guided_synth。