arXiv 2026年10月5日该工作提出 SEDIMA——一种面向 LLM 驱动进化搜索智能体的持久化分层洞见记忆：它把原始搜索轨迹蒸馏为自然语言洞见，用注意力加权质心按语义相似度聚类，并检索相关指导来条件化后续变异，从而跨运行、跨问题积累可迁移知识；作为不修改搜索算子的即插即用模块，在固定 100 个候选评估预算下使 AlgoTune 平均最终性能提升 5.5%、ALE-Bench LITE 提升 6.6%，并在 OpenEvolve 下于五个被评估骨干模型上平均减少 32.3% 的迭代次数即可达到基线最佳性能。该工作提出 SEDIMA——一种面向 LLM 驱动进化搜索智能体的持久化分层洞见记忆：它把原始搜索轨迹蒸馏为自然语言洞见，用注意力加权质心按语义相似度聚类，并检索相关指导来条件化后续变异，从而跨运行、跨问题积累可迁移知识；作为不修改搜索算子的即插即用模块，在固定 100 个候选评估预算下使 AlgoTune 平均最终性能提升 5.5%、ALE-Bench LITE 提升 6.6%，并在 OpenEvolve 下于五个被评估骨干模型上平均减少 32.3% 的迭代次数即可达到基线最佳性能。SEDIMA 为进化搜索智能体加入跨运行分层洞见记忆，在 AlgoTune 与 ALE-Bench LITE 上分别提升 5.5% 与 6.6% 平均最终性能该工作提出 SEDIMA——一种面向 LLM 驱动进化搜索智能体的持久化分层洞见记忆：它把原始搜索轨迹蒸馏为自然语言洞见，用注意力加权质心按语义相似度聚类，并检索相关指导来条件化后续变异，从而跨运行、跨问题积累可迁移知识；作为不修改搜索算子的即插即用模块，在固定 100 个候选评估预算下使 AlgoTune 平均最终性能提升 5.5%、ALE-Bench LITE 提升 6.6%，并在 OpenEvolve 下于五个被评估骨干模型上平均减少 32.3% 的迭代次数即可达到基线最佳性能。该工作提出 SEDIMA——一种面向 LLM 驱动进化搜索智能体的持久化分层洞见记忆：它把原始搜索轨迹蒸馏为自然语言洞见，用注意力加权质心按语义相似度聚类，并检索相关指导来条件化后续变异，从而跨运行、跨问题积累可迁移知识；作为不修改搜索算子的即插即用模块，在固定 100 个候选评估预算下使 AlgoTune 平均最终性能提升 5.5%、ALE-Bench LITE 提升 6.6%，并在 OpenEvolve 下于五个被评估骨干模型上平均减少 32.3% 的迭代次数即可达到基线最佳性能。