自適應自動束縛：開放式任務流中代理系統的持續自我改進

研究論文提出，自動束縛系統如 A-Evolve、GEPA 和 Meta-Harness 通過執行反饋優化 LLM 代理的提示、技能、工具和記憶，但通常只在固定基準上評估。現實部署面臨開放式任務流挑戰，包括歷史無終點增長、異質任務需要不同束縛，以及問題分布隨時間變化，這使得單一密集更新的束縛容易脆弱，導致性能下降。為解決此問題，論文介紹 Adaptive Auto-Harness 框架，它將與神諭束縛的差距分解為進化損失和適應損失，並通過狀態化多代理進化器、束縛樹及路由和人類導向鉤子來處理這些損失。實驗在預測市場、安全競賽和事件預測流中進行，結果顯示該框架優於五種現有自動束縛基準，增益歸因於更好的構造、路由或針對性人類導向。相關代碼已在 GitHub 上發布。