ASI-Evolve：通用自主进化研究框架
这是可索引项目报告证据页：它保留 ASI-Evolve：通用自主进化研究框架 的源材料入口、机制线索和限制提醒；正文仍需 reader/editor 与 academic public-copy review 后才能当作最终结论引用。
ASI-Evolve：通用自主进化研究框架
2025-2026 新项目 | 2026 年 3 月发布
基本信息
| 字段 | 内容 |
|---|---|
| GitHub | https://github.com/GAIR-NLP/ASI-Evolve |
| Stars | 675 |
| 主要语言 | Python |
| 许可证 | Apache License 2.0 |
| 创建时间 | 2026-03-27 |
项目简介
ASI-Evolve 是由上海交通大学 GAIR-NLP 团队开发的通用 Agent 研究框架，实现了从”知识获取 -> 假设生成 -> 实验执行 -> 结果分析”的全闭环自主迭代。它被设计为一个领域无关的进化引擎——无论是金融分析、生物医学、气候科学还是游戏开发，只要”更好的代码 = 更好的结果”，ASI-Evolve 就能自动搜索更优解。
论文验证了该框架在三个高难度 AI 问题上的有效性：在神经架构设计中发现了 105 个超越 DeltaNet 的线性注意力架构（+0.97 分），在预训练数据策划上将 MMLU 提升 18 分，在 RL 算法设计中提出具有数学创新的全新优化机制（AMC32 +12.5 分）。
目录结构
ASI-Evolve/
├── main.py # 主入口
├── config.yaml # 配置文件
├── cognition/ # 认知知识库系统
├── database/ # 实验数据库
├── experiments/ # 实验配置目录
├── pipeline/ # 进化流水线
├── skills/evolve/ # 进化 Agent 技能
├── utils/ # 工具函数
└── assets/ # 资源文件核心模块分析
1. 三 Agent 进化循环
框架由三个核心 Agent 驱动：Researcher（研究员）读取数据库和认知库提出候选方案；Engineer（工程师）执行候选方案并收集结构化指标；Analyzer（分析师）将结果提炼为可复用的经验教训。三者构成一个持续进化的闭环，每一轮都在前一轮基础上改进。
2. 双记忆系统
认知库（Cognition Store） 用于注入领域知识、论文和启发式规则，避免 Agent 从零开始；实验数据库（Experiment Database） 存储每次试验的动机、代码、结果和分析，支持 UCB1、贪心、随机和 MAP-Elites 岛屿采样等父代选择策略，确保搜索不陷入循环。
3. 进化流水线（pipeline/）
实现了完整的 LEARN -> DESIGN -> EXPERIMENT -> ANALYZE 四步循环，支持跨领域任务。流水线可配置步骤数、采样数量和评估脚本，每个实验轮次都在前序知识积累基础上进行。
技术亮点
-
领域无关的进化引擎：不局限于特定领域，只要提供问题定义、评估脚本和领域知识，即可自动进行进化搜索。从药物靶点预测到物流路径优化均可适用。
-
多策略父代选择：支持 UCB1（上置信界）、贪心、随机和 MAP-Elites 岛屿采样等选择策略，平衡探索与利用，避免陷入局部最优。
-
前沿级实证验证：在神经架构搜索、数据策划和 RL 算法设计三个任务上均取得了超越人类近期进展的结果，证明了框架的有效性。
-
知识注入与传承：通过认知库实现先验知识的结构化注入，通过实验数据库实现跨轮次的知识积累，形成可持续进化的研究体系。
与 Self-Evolve 关联
ASI-Evolve 是 Self-Evolve 范式的完整工程化实现。它将”AI 自主进化”从概念推向了工程实践——通过三 Agent 循环和双记忆系统，构建了一个可以持续自我改进的闭环研究系统。其核心贡献在于证明了 Agent 可以在无人干预的情况下，通过反复实验和知识积累，发现超越人类专家的解决方案。框架的领域无关性意味着 Self-Evolve 不再局限于 ML 研究，而是可以扩展到任何可通过代码优化的领域。认知库的设计尤其值得关注——它实现了”知识积累 -> 指导搜索 -> 产生新知识”的正反馈循环，这正是 Self-Evolve 的核心机制。