CORAL 框架實現自主多 Agent 演化以推動開放式科學發現

CORAL 框架實現自主多 Agent 演化以推動開放式科學發現。

CORAL 是一個針對開放式發現問題的自主多 Agent 演化框架，它打破了傳統基於 LLM 的演化方法中依賴固定啟發式規則的限制，透過賦予 Agent 更高的自主權來顯著提升科學發現的效率與品質。

現有方法的侷限
目前的「自我演化」科學發現框架大多受到嚴格限制，導致其無法實現真正的自主性。原文指出，現有方法存在以下問題：

• LLM 通常僅在固定的演化搜尋迴圈中執行單步變異（one-step mutations）。
• Agent 無法真正決定搜尋方向、儲存哪些知識、重複利用過去的嘗試，或是何時進行測試。
• 這些系統過度依賴硬編碼的探索規則與固定啟發式方法，限制了 Agent 的潛力。

CORAL 的核心架構
CORAL 透過引入長期運行的 Agent 取代僵化的控制機制，實現了開放式問題的自主演化。其關鍵架構特點包括：

• 持久化共享記憶：Agent 透過共享記憶進行協作，實現知識積累。
• 非同步多 Agent 執行：支援多個 Agent 同時進行探索與研究。
• 心跳機制干預：透過基於心跳的機制進行動態干預與管理。
• 實用安全防護：提供隔離的工作空間（沙盒）、評估器分離、資源管理，以及 Agent 會話與健康狀態管理。

效能與實證結果
在多項數學、演算法與系統優化任務（如 Frontier-CS、ADRS、AlphaEvolve 等）的評估中，CORAL 展現了顯著的效能提升：

• 在 10 多項任務中達到 SOTA（State-of-the-Art）水準。
• 搜尋效率較傳統固定演化搜尋框架提升了 3 至 10 倍。
• 在 Anthropic 的核心工程（kernel engineering）任務中，四個共同演化的 Agent 將最佳已知分數從 1363 個週期改善至 1103 個週期。

自主性與協作的價值
分析顯示，CORAL 的效能提升主要歸功於 Agent 的自主性與協作機制：

• 本地驗證（Local verification）：Agent 在進行昂貴的評估之前會先執行本地測試，這對於程式碼撰寫任務特別有效。
• 知識重複利用：在知識密集型任務（如多格骨牌與核心工程）中，Agent 建立並重複利用知識資產的頻率遠高於簡單的調優或搜尋任務。
• 多 Agent 協作：超過 50% 的多 Agent 突破性進展源於在其他 Agent 的發現基礎上進行構建，且多 Agent 探索的多元性遠高於單一 Agent 搜尋。

CORAL 透過將演化演算法的決策權下放給自主 Agent，為自動化發現系統開闢了新的發展空間。