@zostaff: 这篇论文完全改变了我对自我改进智能体的看法：初始化 -> 运行 -> 分析 -> 分支 -> 更新…

这篇论文彻底改变了我对自我进化智能体的思考方式：

Initialize -> Run -> Analyze -> Branch -> Update

以下是五步蓝图：

Initialize：元智能体根据任务说明和验证器构建智能体的初始框架，仅此而已。

Run：智能体在沙盒中执行，整个执行轨迹被完整记录——每次提示、工具调用及响应，而非单一汇总指标。

Analyze：反馈智能体读取该轨迹，诊断特定失败模式，而非仅对统计数据做出反应。

Branch：在每个步骤中，反馈智能体自行选择干预杠杆——要么修正框架（提示、工具、重试策略），要么通过强化学习训练权重。

Update：甚至强化学习方法也根据任务动态选择：GRPO、PPO、DPO、熵加权——完全依据奖励函数形态而定。

核心洞见：框架改变智能体的搜索方式，权重改变模型的知识内容，两种杠杆永远不会相互饱和。

在面向AlphaFold的CUDA内核中，一次框架编辑带来1.14倍加速，但在此基础上训练权重将运行时间削减91.9%，最终实现14倍提升。

阅读本文后，请参阅下方文章。