Самоэволюция ИИ: оптимизация агентной обвязки и локальные LLM

Представленные материалы описывают A-Evolve — универсальную открытую инфраструктуру для создания самосовершенствующихся ИИ-агентов без участия человека. Центральной темой является концепция асимметричной архитектуры Evolver-Solver, в которой маломощные локальные модели (9B) эффективно генерируют обновления для внешних инструментов и инструкций, не уступая в этом флагманским системам. Исследования на базе бенчмарков MCP Atlas и SWE-bench показывают, что успех автоматизации зависит от разделения функций: дешевая модель выступает в роли «эволюционера», а производительная модель среднего уровня становится «исполнителем». С помощью метрик SLR и HFR авторы доказывают, что ключевой проблемой слабых моделей является неспособность следовать сложным правилам, тогда как гибридный подход позволяет достичь качества уровня Claude Opus при минимальных затратах. Алгоритмы вроде guided_synth автоматизируют этот цикл, точечно дополняя файлы памяти агента на основе анализа логов ошибок и закрепляя удачные изменения через Git. В целом источники предлагают методологию и программный каркас для автономного развития ИИ-систем через оптимизацию их внешнего программного контура.