地理算法开始自己改代码：以两阶段K-Models为种子，在150个模拟网格上胜过原算法
核心概要
地理空间算法长期靠研究者手工发现改进，如今一套由大语言模型驱动的多智能体框架把候选生成、评估与筛选交给自动搜索，研究者只负责定义问题和评价。以两阶段K-Models为种子、以与真值划分的Rand Index为适应度，在模拟网格上演化出的算法冻结后直接用于11个真实数据集，在气候、健康、水文、政治四类数据上取得最低的平均RMSE和最高的SSR Reduction。
深度剖析
地理空间算法的改进不再完全依赖研究者逐条手写，一套多智能体搜索可以在给定种子算法和可计算目标后自动生成、评估并保留候选变体。 此前的算法发现由专家驱动：研究者发现局限、提出结构性修改、实现并对照基线验证，每一步都受单个团队时间与认知资源限制。 以两阶段K-Models为种子、以与真值划分的Rand Index为适应度，演化出的算法在150个模拟网格上优于种子、无地理知识基线以及四种经典区划方法。
搜索只在合成数据上进行，得到的算法冻结后原样用于真实数据，因此真实数据上的表现属于样本外证据。 若直接用待报告的真实数据指标驱动演化，同一指标既是训练目标又是评估目标，数字能说明的东西会变少。 冻结后的算法在气候、健康、水文、政治四个领域的11个真实数据集上取得跨数据集最低平均RMSE 1.220和最高SSR Reduction 0.658，SSR Reduction在11个数据集中9个排第一。
地理知识以何种通道进入搜索本身影响结果，结构化检索与仅写在提示里的提示语不是一回事。 此前的通用演化引擎只能把领域知识作为静态提示文本放进提示，无法按当前代码状态检索。 消融比较了无知识、通用提示、任务特定提示、无检索的多智能体对话和启用GeoKnowRAG的完整流程，结果显示知识注入通道是承重设计。
启示与展望
演示范围是一个种子算法（两阶段K-Models）和一个任务族（空间区制发现），演化只在合成网格上进行，冻结后的算法原样用于11个真实数据集，真实数据上的四项指标是拟合统计量而非对未观测位置的预测。
演化变体之间的排序被报告为描述性的，因为运行间标准差与变体间差距同量级；LLM辅助搜索是否加快内环、是否适用于其他种子和任务族，原文明确留作开放问题。