AlgoEvo：用于自动化算法发现的自进化智能体搜索

大型语言模型通过合成可执行代码推动了自动化算法发现的发展，但现有框架将其束缚在具有预定义控制流的僵化搜索流程中。这一限制阻碍了自适应推理和跨范式迁移，也丢弃了宝贵的执行反馈。我们提出 AlgoEvo，一种统一的智能体框架，将自动化算法发现转变为交互式、不断积累知识的过程。自主智能体根据运行时反馈动态检查、诊断并编辑代码。设计技能中心将特定范式的知识与核心发现引擎解耦，使单一工作流能够无缝处理单目标、多目标和多组件设计。同时，分层经验机制将搜索轨迹组织成任务级树，以引导探索，并将跨任务模式整合为可复用技能。在六项具有代表性的基准任务中，AlgoEvo 以大幅减少的评估次数和更低的令牌消耗，达到或超越了专用方法的性能，展现出强大的任务内知识积累和跨任务迁移能力；通过灵活激活技能，它还能够复现或超越现有最先进性能。