将本地代理转变为自我优化代理

我在试验一个自我优化的代理管道，用来冲击基准排行榜（TerminalBench）。在 10 个任务的子集上，性能从约 30% 提升到了约 90%。这个循环奏效了，于是我问自己：同样的反思-重写步骤能否持续应用于日常聊天，而不是只针对基准测试？ **工作原理** * 每次与本地 LLM 的聊天都会经过一个小型代理并被记录下来。 * `autoswarm reflect` 让同一个本地模型审查这些日志，提炼出具体的教训，并将其写入 `skills.yaml`。 * 这些教训会自动注入到未来聊天的系统提示中。 **运行方式（LM Studio 路径）** 1. 启动 LM Studio 的本地服务器，并加载一个模型。 2. ```bash pip install -e . autoswarm doctor # 验证 LM Studio 是否可达 autoswarm start # 自动检测上游和模型，监听在 :8080 ``` 我对自我优化代理的想法非常着迷，并且相信这背后有**更大的东西值得挖掘**。不过，这只是一个业余项目，我仍在试验中。欢迎反馈！ 链接：[https://github.com/arteemg/autoswarm](https://github.com/arteemg/autoswarm) 我目前在积极开发这个项目，请 [**⭐ 收藏该仓库**](https://github.com/arteemg/autoswarm/) 以获取最新更新。