ADAS 到 DGM：智能体架构自动搜索的进化之路

追踪从 ADAS（ICLR 2025）到 Darwin Gödel Machine 的技术演进：从图灵完备搜索到开放式进化归档。UBC Jeff Clune 团队如何让 Agent 自己设计自己。

同一团队的进化

ADAS（Automated Design of Agentic Systems）和 DGM（Darwin Gödel Machine）来自同一个团队：UBC 的 Jeff Clune 组。ADAS 发表于 ICLR 2025，DGM 紧随其后在 2025 年发布。两者形成了清晰的技术演进路径。

ADAS：定义问题

核心洞察

ADAS 的关键洞察是：编程语言是图灵完备的，因此在代码空间中搜索等价于搜索所有可能的 Agent 架构。

这和 NAS（Neural Architecture Search）搜索神经网络拓扑类似，但搜索空间从连续权重变成了离散代码。

Meta Agent Search

初始化：D = {}（已发现的 Agent）
每轮迭代 t：
  1. Meta Agent 审查 D + 性能历史
  2. Meta Agent 用 Python 编写新 Agent 代码
  3. 在 benchmark 上评估新 Agent
  4. 记录 (代码, 分数) 到 D
返回 D 中最优 Agent

关键发现

ADAS 发现的 Agent 有三个令人惊讶的特性：

1. 超越人工设计 SOTA：自动搜索发现的架构优于人类专家设计
2. 跨领域迁移：在任务 A 上搜索的架构在任务 B 上也有效
3. 跨模型迁移：用 GPT-3.5 设计的架构用 GPT-4 执行也有效

这说明 Meta Agent 发现的设计不只在单个任务上有效；但“通用推理模式”仍需要更多任务、模型和失败案例验证。

DGM：开放式进化

ADAS 的局限

ADAS 的搜索过程本质上是”爬山”——每轮选择当前最优方向。这有两个问题：

• 容易陷入局部最优
• 丢弃了”不最优但有趣”的候选

DGM 的解决方案

DGM 引入了两个关键改进：

1. 开放式归档

# ADAS：只保留最优
D = {best_agent}

# DGM：保留多样化的归档
archive = {
    agent_1: (code, score, behavior_descriptor),
    agent_2: (code, score, behavior_descriptor),
    ...
}

2. 多样性加权采样

def sample_parent(archive):
    """不只选最优，而是多样性加权"""
    weights = [fitness(a) * diversity_bonus(a, archive) for a in archive]
    return weighted_sample(archive, weights)

DGM 的进化循环

初始化归档 A = {种子 Agent a₀}
每次迭代：
  1. 从 A 中多样性加权采样父代
  2. LLM (Claude/GPT) 提出代码修改
  3. 在 benchmark 上评估子代
  4. 如果改进：添加到 A
  5. 可选：即使未改进也保留（为了多样性）

Benchmark 结果

从 NAS 到 ADAS 到 DGM 的技术谱系

NAS (2017-2022)
  搜索空间：神经网络拓扑
  变异算子：数学操作（加层、改宽等）
  ↓
ADAS (2024-2025)
  搜索空间：Python 代码（图灵完备）
  变异算子：LLM 代码生成
  ↓
DGM (2025)
  搜索空间：Python 代码（图灵完备）
  变异算子：LLM 代码修改
  选择策略：开放式 + 多样性保留

研究者网络

Jeff Clune 组是这一方向的核心力量：

• Jeff Clune（UBC / Vector Institute）：开放式进化先驱，POET、Quality Diversity 提出者
• Shengran Hu：ADAS 第一作者，同时参与 DGM
• Cong Lu：进化 AI 研究者，多篇共著
• Jie (Jenny) Zhang：DGM 第一作者

这个团队从 Uber AI Labs 时期就开始探索开放式进化，如今将这个理念应用到 Agent 自进化领域。

对 Self Evolve 的意义

ADAS 和 DGM 代表了 Self Evolve 技术图谱中”Agent 自我进化”方向的关键证据线：

1. 支持可行性：在报告的 benchmark 条件下，Agent 可以自动发现优于人工基线的架构
2. 提供迁移线索：进化出的能力在部分任务和模型设置中显示迁移性
3. 提供范式：代码级进化 + 基准验证 + 开放式归档

下一步

• Gödel Agent 将进化从离线搬到运行时
• Agent Symbolic Learning 提供结构化的”语言梯度”优化
• 这些方法的融合将产生下一代自进化系统

延伸阅读：

• AI 自我进化：从概念到实现
• LLM 自我改进的五种范式
• 如何构建自我进化的 AI Agent