# 进化优化

面向生产AI系统的演化优化不再只从搜索前沿挑一个候选、依据其失败做一次改写。CoCoEvolve让一个智能改写器从整段演化历史中挑选证据，并在提出改动前探测运行中的系统。在DABStep上，它的留出硬题准确率为92.8%，同一条件下Meta-Harness为78.4%、GEPA为30.4%；在data-eng-bench上把测试集解决率从59.1%提到77.4%，超过73.6%的最佳基线。

面向生产AI系统的演化优化不再只从搜索前沿挑一个候选、依据其失败做一次改写。CoCoEvolve让一个智能改写器从整段演化历史中挑选证据，并在提出改动前探测运行中的系统。在DABStep上，它的留出硬题准确率为92.8%，同一条件下Meta-Harness为78.4%、GEPA为30.4%；在data-eng-bench上把测试集解决率从59.1%提到77.4%，超过73.6%的最佳基线。

该工作把 LLM 智能体的技能表示为图结构的自然语言产物（节点为执行步骤及其操作指引，有向边编码依赖上下文的步骤转移），并在此基础上提出基于种群的进化优化框架 GraphSkillEvo，用全局指引变异、图结构变异、全局指引交叉、图结构交叉四个算子迭代搜索技能，在五个智能体基准、两个 LLM 与两种执行环境下平均优于技能优化基线 SkillOpt（GPT-5.4-nano 上 +4.01%，GPT-5.4 上 +1.76%），且总优化 token 消耗更低。

该工作把 LLM 智能体的技能表示为图结构的自然语言产物（节点为执行步骤及其操作指引，有向边编码依赖上下文的步骤转移），并在此基础上提出基于种群的进化优化框架 GraphSkillEvo，用全局指引变异、图结构变异、全局指引交叉、图结构交叉四个算子迭代搜索技能，在五个智能体基准、两个 LLM 与两种执行环境下平均优于技能优化基线 SkillOpt（GPT-5.4-nano 上 +4.01%，GPT-5.4 上 +1.76%），且总优化 token 消耗更低。