📖 AI 总结

本文提出MILO（元进化岛屿编排）框架，用于自动发现智能体系统中的"执行框架"（harness）。现代智能体系统由AI模型与负责控制执行和环境交互的框架共同构成，框架设计对长时程任务性能影响显著，但其组合搜索空间庞大，且随模型更新需反复人工调整。现有自动化方法搜索范围狭窄，仅优化提示词或技能等单一组件，或受限于固定的利用型搜索策略。MILO的核心创新在于让框架与发现策略协同进化，融合三层机制：基于岛屿树的分层谱系记忆，将失败的变异作为负面证据；各岛屿的变异智能体依据全局搜索历史与父代反馈重写完整框架；编排器通过谱系嫁接、物种分化、变异体重新分配和课程修订来动态调整搜索。在Terminal-Bench 2.1、PaperBench和DeepSWE三个基准上，MILO发现的框架在Opus 4.8和gpt-oss-120b模型下均优于八种先进框架和六种搜索方法，相较初始框架分别提升12.0%、28.3%和10.3%，而此前最佳搜索方法的增益仅为4.5%、18.3%和0%。在Terminal-Bench 2.1上达到86.1±2.0%，超过官方排行榜首位，且token消耗减少26%。在EinsteinArena开放问题上，MILO还改进了Erdős最小重叠问题及第一、第三自相关不等式的最佳已知上界。该工作表明，自动化框架发现可显著提升智能体性能并降低人工成本。

🔑 关键词速览