认识HyperAgentsMeta开源自我改进AI智能体框架一文看懂自进化的终极原理【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 Meta 开源的自我改进 AI 智能体框架通过自指式进化循环让 AI 智能体不断修改并优化自己的代码从而针对任何可计算任务持续提升表现。本文带你一文看懂这套自进化框架的终极原理、核心组件与快速上手方法。它到底能做什么一句话概括让 AI 写一个 AI再让这个 AI 去改进自己。普通智能体Agent的能力是固定的——你用什么提示词它就什么水平。而 HyperAgents 的思路完全不同它先有一个基础智能体代码task_agent.py再有一个元智能体Meta Agent专门修改智能体的源码改完后自动评测、存档选出更好的版本作为下一代的父本如此循环往复智能体就像生物进化一样逐代自我优化这就是 README 中那句官方描述的精髓Self-referential self-improving agents自指式自我改进智能体。三大核心组件看懂自进化的骨架 HyperAgents 的结构非常清晰理解这三个部分就抓住了整个框架1. 任务智能体干活的本体task_agent.py 定义了TaskAgent它接收任务输入、调用大语言模型、按 JSON 格式输出答案。这是被优化的对象——每一代进化的种子都从它开始。2. 元智能体改代码的造物主meta_agent.py 中的MetaAgent是整个框架的灵魂。它的指令简单得惊人Modify any part of the codebase修改代码库的任意部分它可以自由重写任务智能体、甚至改进自己这就是自指的含义。元智能体基于 Claude 等前沿模型构建模型选型集中在 agent/llm.py工具调用循环在 agent/llm_withtools.py 中实现——支持文件编辑、Bash 执行等工具每次最多 40 轮工具调用。3. 进化主循环一代接一代generate_loop.py 是算法入口每代执行固定流程选父本从档案archive中挑选一个历史版本作为基础跑元智能体在 Docker 容器里让它修改代码生成model_patch.diff自动评测把新智能体丢进多个基准任务跑分存档绘图更新档案、生成进度曲线然后进入下一代每一代的输出都保存在outputs/目录下形成一棵智能体家族树而不是单线迭代——这保证了探索的多样性。自进化的终极原理档案式进化 这套设计借鉴了开放-ended evolution开放式进化的思想关键机制有三个档案机制Archive所有历史版本都被保留在档案里由 select_next_parent.py 负责挑选下一代父本。它按各域平均分筛选有效候选再随机选择——既利用了高分个体又刻意保留随机性避免陷入局部最优。容器化隔离每一代都在独立的 Docker 容器中运行镜像由 Dockerfile 构建评测、改码、Git 操作全部在容器内完成结束后自动清理并回滚到根提交。这样即使元智能体改炸了代码也不会污染宿主环境。分级评测Staged Eval先用小样本集快速打分分数过线才跑全量评测——省算力又不漏掉好版本。这个逻辑在 generate_loop.py 的run_harness_polyglot中体现得很明显。支持哪些进化战场HyperAgents 在domains/下内置了多个评测域覆盖语言、推理、代码、控制等方向评测域类型说明balrog环境基准集成 TextWorld、BabyAI、Crafter、NetHack 等经典 AI 环境polyglot代码基准多语言编程任务用 Docker 隔离每个任务实例genesis机器人控制Genesis 物理引擎中的四足机器人行走/跳跃任务imo数学推理IMO 级别数学证明的自动评分paper_review学术评审模拟同行评审打分search_arena搜索问答深度研究检索类任务上图是balrog域中 NetHack 环境的像素图块domains/balrog/environments/nle/——NetHack 这类超级马里奥式的开放环境正是衡量智能体是否真的变强的试金石。baselines/目录还集成了 DGMDarwin Gödel Machine等基线方便对比自改进智能体路线的不同实现思路。快速上手从零跑起进化循环 第一步克隆仓库git clone https://gitcode.com/gh_mirrors/hy/HyperAgents.git cd HyperAgents第二步配置 API 密钥与依赖在.env文件中放入OPENAI_API_KEY、ANTHROPIC_API_KEY、GEMINI_API_KEY然后按 README.md 的指引安装系统依赖、创建 Python 3.12 虚拟环境python3.12 -m venv venv_nat source venv_nat/bin/activate pip install -r requirements.txt第三步构建容器并初始化docker build --networkhost -t hyperagents . bash ./setup_initial.sh第四步启动进化循环 ⚡python generate_loop.py --domains domain脚本会按代数循环运行元智能体、评测、存档结果统一输出到outputs/目录进度图由 analysis/plot_progress.py 自动生成随时可以查看智能体的进化曲线。⚠️ 安全提醒先读再跑仓库官方明确警告本项目会执行模型生成的不可信代码。虽然当前设置下出现恶意的概率很低但模型能力与对齐的局限仍可能导致破坏性行为。建议始终在 Docker 容器中运行框架默认如此不要用生产环境的 API Key关闭不必要的系统权限总结为什么说它是终极原理的一次落地HyperAgents 把AI 改进 AI从论文概念变成了可运行的开源框架元智能体负责改写、档案负责保留多样性、容器负责安全、评测负责客观打分。四个齿轮咬合转动智能体就能在任何可计算任务上持续爬坡——这正是开放式进化的核心思想。如果你想亲眼见证智能体一代代变强不妨从balrog域开始跑几代然后打开outputs/里的进度图你会看到一条真实的、由 AI 自己写出来的进化曲线。【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