从 LOOP 到图探索：算法模型 AutoResearch 自进化系统架构演进之路
这件事讲了什么
一个算法团队参考 Karpathy 开源的 AutoResearch 原型，把「让 AI 自己改训练代码、跑实验、看指标、决定下一步」的循环搬进企业云端训练平台。最初的单线程循环有三个毛病：规则靠自然语言提示不可靠、与企业云环境不匹配、同一时间只能试一条路。他们三个月重构三次，最终改成「图探索」：主 Agent 把大问题拆成几个互不重叠的假设，交给子 Agent 并行各自训练、互不干扰，再由主 Agent 汇总对比做决策，并用状态文件和冻结的评估代码保证无人值守时可信、可回溯。在结构完全不同的两个业务建模项目中，单任务耗时比人工基线分别减少约 85% 和 83%，其中一个方案已推全上线并有收益，另一个在全部 12 个预估目标上超过人工基线。
可以使用的工具
文中可用工具
- AutoResearchKarpathy 开源的极简实验原型，让 LLM 自动改训练代码并反复跑实验
- CyclicGraph Engine团队自研的图探索调度架构，用 Spawn-Converge 并行验证多个假设
- H100原文仅提到是 AutoResearch 原型所用的单张训练 GPU
- Git用 keep/reset 棘轮机制让每步改进可审计、可回滚
- Terminal Bench 2.0原文提到的 89 个跨领域任务评测集，用于对比 Harness 调整效果
- LangChain原文提及其编码 Agent 通过调整 System Prompt、Tools、Middleware 提升得分
讨论 0
登录后参与讨论，阅读资讯无需注册。
还没有评论，来分享第一个看法。