进化智能体团队

软件工程智能体的快速发展推动了人们将其应用于 GPU 内核优化等开放式问题。然而，我们发现，现有的编码智能体在现实世界中由专家编写的内核（例如 FlashInfer）上会收敛到局部最优。我们提出了 Evolving Agent Teams，一种能够逃离此类局部最优的多智能体框架。该框架具有以下特点：（1）一个中央监督器，用于诊断每个局部最优状态并重组智能体团队；（2）一个持久化文件系统，由学习文档、演化历史和各团队的工件组成，从而利用积累的经验为重组提供依据。在相同的 token 预算下，Evolving Agent Teams 的表现始终优于强大的编码智能体基线。在扩展 token 预算下，Evolving Agent Teams 从零开始生成了一个 CUDA 内核，其相较于生产环境中的 FlashInfer MLA 分页解码内核，平均加速达到 1.2 倍；在 FlashInfer-Bench 的 47 个生产工作负载中，它有 36 个取得了更好的结果，其余 11 个的性能为 0.86–0.99 倍。此外，它在多项任务上也展现出更优性能，包括 AMD MI350X 上的 KDA 预填充（相较于 vLLM 提升 3.01 倍）、NVIDIA B200 上的 KDA 预填充（相较于 FlashKDA 提升 3.44 倍）、Apple silicon 上的 MoE 专家卸载服务（在 48 GB M4 Pro 上使用 MLX 4-bit 对 Qwen3.8-Flash-Next 进行解码时达到 30.3 tokens/s），以及 RoboDojo 机器人操作任务（在留出种子上的得分为 62.1，而排行榜最佳结果为 55.3）。代码发布于 https://github.com/caoshiyi/EAT】【。