HGM-Dual：面向长时程规划的谱系感知引导式智能体支架优化

支架优化通过改进智能体的提示词、工具和工作流，正日益成为增强基于冻结参数或闭源 LLM 的智能体的有效方法。Darwin--Godel Machine 和 Huxley--Godel Machine（HGM）等领先方法依赖递归自我改进，主要面向编码任务开发；在编码任务中，改进智能体所需的能力与被改进的能力相一致。而在规划任务中，智能体必须生成一系列能够共同满足相互作用约束的工具调用，这种一致性不复存在。在此类任务中，开放式自我修改会反复探索无效变更，并消耗大量评估预算。我们提出 HGM-Dual，这是一种面向规划智能体、由诊断引导且具有预算效率的支架演化框架。首先，HGM-Dual 将智能体演化表示为谱系感知上下文。该上下文记录每个祖先进行了哪些修改、哪些行为得到改善或退化，以及哪些修改未能奏效，从而为编辑器提供明确的编辑—结果归因，而不是一份无结构的历史智能体存档。其次，HGM-Dual 引入了错误条件化的双路径子代生成机制。对于每个选定的父代，它会生成一个保留开放式探索能力的通用子代，以及若干针对性子代，专门优化最有可能导致该父代最高排名约束违反的支架组件。与最强基线相比，HGM-Dual 的案例准确率相对提升最高达 14.45%；同时，在减少 2 至 4 倍评估预算的情况下，其最终性能可达到 HGM 各变体的水平。