gepa-ai/gepa

解決的問題

GEPA（遺傳-帕累托）是一套設計用於針對特定評估指標，優化依賴文字參數（如提示詞、程式碼、代理架構與設定）的任何系統的框架。它克服了傳統最佳化工具僅能判斷候選方案是否失敗的限制；GEPA 透過分析執行軌跡，識別失敗的原因，從而推動有針對性的改進。

工作原理

GEPA 結合了基於 LLM 的反思與帕累托高效的進化搜尋：

1. 選擇：從帕累托前緣中挑選在不同任務子集上表現最佳的候選方案。
2. 執行：在小批量資料上執行候選方案，並擷取完整的執行軌跡（錯誤訊息、日誌、效能分析資料）。
3. 反思：LLM 分析這些軌跡，診斷失敗的根本原因。
4. 變異：根據診斷結果，LLM 生成候選方案的改進版本。
5. 接受：將改進後的候選方案加入池中，並更新帕累托前緣。

它還利用了「可操作的額外資訊」（ASI）——一種類似於梯度的文本形式診斷反饋，並能融合兩個帕累托最優候選方案的優勢。

適用對象

• AI 工程師：需要優化複雜提示詞或代理工作流程，而無需手動猜測修改方案的人。
• 系統研究者：希望優化非提示詞文字產物（如排程策略或程式碼）的人。
• DSPy 使用者：希望透過 dspy.GEPA 將自動化最佳化整合至 AI 流程中的人。
• 代理開發者：希望為其代理提供透過 GEPA 代理技能實現自我最佳化能力的人。

核心亮點

• 高效性：聲稱比強化學習（如 GRPO）快 35 倍，且顯著低於使用頂級模型（如 Claude Opus）的成本。
• 多功能性：可優化提示詞、代理架構、RAG 設定，甚至 SVG 圖形。
• 廣泛整合：已整合至 MLflow、Pydantic AI、Comet ML Opik 以及 Google 的 Gemini Enterprise Agent Platform 等主流工具。
• 可擴展性：提供 GEPAAdapter 接口，可接入任意系統，並內建 LangChain、MCP 和 RAG 的適配器。