# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Ao Qu (@ao_qu18465) · 平台：X (Twitter) · 日期：2026-04-07

> 原始來源：https://x.com/ao_qu18465/status/2041233318373388459

## 中文摘要

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。

## 標籤

Agent, 研究論文, 開源專案, CORAL