智能体？)
HyperAgents核心概念图解什么是自指自我改进(Self-referential)智能体【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgentsHyperAgents 是一个自指自我改进Self-referential self-improving智能体框架它让 AI 智能体在 Docker 沙箱里递归地修改自己的代码通过改代码 → 评测 → 存档 → 再改的循环自动优化任何可计算任务玩游戏、代码补全、数学证明评分、论文评审……。本文将用图解方式带你快速看懂它的核心机制。 30秒看懂一个自己改自己的智能体系统传统 AI 智能体由人写好代码后固定不变而 HyperAgents 让智能体成为自己的工程师。整个系统只有两个核心角色角色对应文件职责 任务智能体Task Agenttask_agent.py真正干活的选手解题、玩游戏、写代码✍️ 元智能体Meta Agentmeta_agent.py递归自我改进的设计师修改整个代码库包括自己这个分工正是自指的来源——修改者与被修改者是同一个系统。 核心概念一自指Self-referential到底在指什么自指意味着系统把自己的代码库当作可编辑对象。在 meta_agent.py 中元智能体的核心指令只有一句话Modify any part of the codebase修改代码库中的任意部分也就是说元智能体被允许改写任务智能体、评测逻辑、父代选择策略甚至改写元智能体自身。更妙的是utils/gl_utils.py 会在每次运行时重写仓库内的 README.md把这份请递归改进自身的任务书直接放进智能体可见的文件里——智能体读到的说明书就是它要优化的目标本身。这种设计借鉴了 Jeff Clune 团队的超进化思想不预设改什么让智能体在评估信号的指引下自己找改进点。️ 核心概念二双层智能体架构任务智能体真正干活的选手task_agent.py 中的TaskAgent接收任务输入一道 IMO 证明、一局游戏画面、一个 SWE 问题输出预测结果。它是最终被打分、决定这一代智能体强弱的产物。元智能体递归改写自己的设计师元智能体基于带工具的对话循环运行见 agent/llm_withtools.py它可以用编辑、执行命令等工具浏览并修改仓库最多进行 40 次工具调用最终产出一份model_patch.diff补丁。工具定义位于 agent/tools/ 目录每个工具是一个暴露tool_info()与tool_function的 Python 模块由 agent/tools/init.py 动态加载。 核心概念三自我改进循环如何一步步跑起来generate_loop.py 是算法入口每一代包含 4 个步骤选父代从进化档案库archive中按score_prop策略采样——分数越高概率越大但弱者仍有机会当爹见 select_parent避免过早收敛。沙箱改代码启动 Docker 容器应用父代血统的所有补丁让元智能体在容器内修改代码并产出补丁。评测新智能体在同一个容器中运行 domains/harness.py 评测新的任务智能体得分写入报告。写入档案库更新archive.jsonl与 metadata.json进入下一代。全程隔离在 Docker 中容器构建见 Dockerfile结束后git reset还原现场保证宿主环境零污染。 进化档案库为什么是进化而不是升级HyperAgents 不保留单一线性版本而是维护一棵进化树每一代智能体都是档案库中的一个节点可回溯任意祖先。它还支持集成优化Ensembleensemble.py 组合档案库中多个智能体的输出元智能体甚至能只改集成逻辑来提升整体分数父代自选择select_next_parent.py 本身也可以被元智能体改写让选谁当爹的策略也在进化。 多领域实战智能体能优化哪些任务domains/ 目录展示了任何可计算任务的具体形态领域任务目录Balrog 游戏在 NetHack、Babaisai、MiniHack 等环境中生存并拿高分domains/balrog/Genesis训练 Go2 机器人走路/跳跃的强化学习domains/genesis/IMO数学证明评分与证明撰写domains/imo/Polyglot修复真实仓库的代码问题domains/polyglot/Paper Review论文评审质量评分domains/paper_review/上图是 balrog 领域中 NetHackNLE环境的像素图块库——任务智能体就是在这个方块世界里学会生存策略然后元智能体再去改进它的策略生成机制。 快速上手克隆HyperAgents并跑通第一条循环git clone https://gitcode.com/gh_mirrors/hy/HyperAgents cd HyperAgents在.env中配置模型 API Key按 README.md 安装依赖并构建 Docker 镜像执行 setup_initial.sh 生成初始智能体并在各领域做基线评测运行python generate_loop.py --domains domain输出保存在outputs/analysis/ 中的绘图脚本会自动生成进化曲线。⚠️ 安全须知为什么必须在Docker里跑仓库明确警告本系统会执行模型生成的不可信代码见 README.md。尽管在官方配置下出问题的概率很低模型代码仍可能产生破坏性行为。因此所有生成与评测都被关在一次性容器中结束后自动销毁。本地试用时请务必使用隔离环境不要直接在生产机上运行。✅ 核心要点回顾自指元智能体修改的代码库包含它自己改进是递归的双层架构任务智能体干活元智能体改代码二者共享同一仓库进化循环档案库选父代 → 沙箱改码 → 评测打分 → 存档迭代通用性只要任务可计算能写评测HyperAgents 就能对它进行自我改进。这就是 HyperAgents 的核心把改进智能体本身也交给智能体。【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
HyperAgents核心概念图解什么是自指自我改进(Self-referential)智能体【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgentsHyperAgents 是一个自指自我改进Self-referential self-improving智能体框架它让 AI 智能体在 Docker 沙箱里递归地修改自己的代码通过改代码 → 评测 → 存档 → 再改的循环自动优化任何可计算任务玩游戏、代码补全、数学证明评分、论文评审……。本文将用图解方式带你快速看懂它的核心机制。 30秒看懂一个自己改自己的智能体系统传统 AI 智能体由人写好代码后固定不变而 HyperAgents 让智能体成为自己的工程师。整个系统只有两个核心角色角色对应文件职责 任务智能体Task Agenttask_agent.py真正干活的选手解题、玩游戏、写代码✍️ 元智能体Meta Agentmeta_agent.py递归自我改进的设计师修改整个代码库包括自己这个分工正是自指的来源——修改者与被修改者是同一个系统。 核心概念一自指Self-referential到底在指什么自指意味着系统把自己的代码库当作可编辑对象。在 meta_agent.py 中元智能体的核心指令只有一句话Modify any part of the codebase修改代码库中的任意部分也就是说元智能体被允许改写任务智能体、评测逻辑、父代选择策略甚至改写元智能体自身。更妙的是utils/gl_utils.py 会在每次运行时重写仓库内的 README.md把这份请递归改进自身的任务书直接放进智能体可见的文件里——智能体读到的说明书就是它要优化的目标本身。这种设计借鉴了 Jeff Clune 团队的超进化思想不预设改什么让智能体在评估信号的指引下自己找改进点。️ 核心概念二双层智能体架构任务智能体真正干活的选手task_agent.py 中的TaskAgent接收任务输入一道 IMO 证明、一局游戏画面、一个 SWE 问题输出预测结果。它是最终被打分、决定这一代智能体强弱的产物。元智能体递归改写自己的设计师元智能体基于带工具的对话循环运行见 agent/llm_withtools.py它可以用编辑、执行命令等工具浏览并修改仓库最多进行 40 次工具调用最终产出一份model_patch.diff补丁。工具定义位于 agent/tools/ 目录每个工具是一个暴露tool_info()与tool_function的 Python 模块由 agent/tools/init.py 动态加载。 核心概念三自我改进循环如何一步步跑起来generate_loop.py 是算法入口每一代包含 4 个步骤选父代从进化档案库archive中按score_prop策略采样——分数越高概率越大但弱者仍有机会当爹见 select_parent避免过早收敛。沙箱改代码启动 Docker 容器应用父代血统的所有补丁让元智能体在容器内修改代码并产出补丁。评测新智能体在同一个容器中运行 domains/harness.py 评测新的任务智能体得分写入报告。写入档案库更新archive.jsonl与 metadata.json进入下一代。全程隔离在 Docker 中容器构建见 Dockerfile结束后git reset还原现场保证宿主环境零污染。 进化档案库为什么是进化而不是升级HyperAgents 不保留单一线性版本而是维护一棵进化树每一代智能体都是档案库中的一个节点可回溯任意祖先。它还支持集成优化Ensembleensemble.py 组合档案库中多个智能体的输出元智能体甚至能只改集成逻辑来提升整体分数父代自选择select_next_parent.py 本身也可以被元智能体改写让选谁当爹的策略也在进化。 多领域实战智能体能优化哪些任务domains/ 目录展示了任何可计算任务的具体形态领域任务目录Balrog 游戏在 NetHack、Babaisai、MiniHack 等环境中生存并拿高分domains/balrog/Genesis训练 Go2 机器人走路/跳跃的强化学习domains/genesis/IMO数学证明评分与证明撰写domains/imo/Polyglot修复真实仓库的代码问题domains/polyglot/Paper Review论文评审质量评分domains/paper_review/上图是 balrog 领域中 NetHackNLE环境的像素图块库——任务智能体就是在这个方块世界里学会生存策略然后元智能体再去改进它的策略生成机制。 快速上手克隆HyperAgents并跑通第一条循环git clone https://gitcode.com/gh_mirrors/hy/HyperAgents cd HyperAgents在.env中配置模型 API Key按 README.md 安装依赖并构建 Docker 镜像执行 setup_initial.sh 生成初始智能体并在各领域做基线评测运行python generate_loop.py --domains domain输出保存在outputs/analysis/ 中的绘图脚本会自动生成进化曲线。⚠️ 安全须知为什么必须在Docker里跑仓库明确警告本系统会执行模型生成的不可信代码见 README.md。尽管在官方配置下出问题的概率很低模型代码仍可能产生破坏性行为。因此所有生成与评测都被关在一次性容器中结束后自动销毁。本地试用时请务必使用隔离环境不要直接在生产机上运行。✅ 核心要点回顾自指元智能体修改的代码库包含它自己改进是递归的双层架构任务智能体干活元智能体改代码二者共享同一仓库进化循环档案库选父代 → 沙箱改码 → 评测打分 → 存档迭代通用性只要任务可计算能写评测HyperAgents 就能对它进行自我改进。这就是 HyperAgents 的核心把改进智能体本身也交给智能体。【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
