Ecdysis：大语言模型（LLM）智能体运行时框架的高效有效训练

自演化运行时框架能够显著提升大语言模型（LLM）智能体的能力，并为优化智能体执行提供一种富有前景的范式。现有的框架演化方法通常依赖迭代搜索，根据任务实例的执行反馈反复评估和修改候选框架。尽管这种范式支持持续的框架优化，但由于需要反复执行智能体和修改代码，会产生巨大的时间开销；同时，它还可能对已观测任务和特定失败模式过拟合，从而导致在未见任务上的泛化能力下降。我们发现，缺乏有原则的失败诊断是框架演化的关键瓶颈：观测到的失败可能源于模型特定的缺陷，也可能源于系统性的框架缺陷，而直接针对单个失败进行优化，可能导致不必要的模型特定适配。为此，我们提出 Ecdysis，这是一种高效且有效的框架，能够区分模型特定适配与框架层面的修复，并通过识别跨任务反复出现的失败模式，使适应过程偏向系统性的框架缺陷。Ecdysis 采用批次级跨实例失败聚合范式，联合分析多个任务实例中的失败证据，并进一步引入失败驱动的协同优化，以诊断失败原因并迭代完善框架修改规范。通过结合跨实例失败分析与多角色诊断，Ecdysis 能够以更短的训练时间实现更有效的框架演化。实验表明，与现有框架演化方法相比，Ecdysis 将框架训练速度最高提升至 1.84 倍，同时使所得框架的推理准确率提升 18.56%。