1.2K ·GitHub
Что это?
AntOmniEvo — фреймворк автоэволюции: вы даёте ему настраиваемые артефакты своей системы (skills, промпты, конфиги workflow или код) плюс способ их оценивать, а он запускает параллельный цикл эволюции, в котором агент-кодер «Proposer» переписывает эти файлы, порождая более эффективные кандидаты.
AntOmniEvo — фреймворк автоэволюции: вы даёте ему настраиваемые артефакты своей системы (skills, промпты, конфиги workflow или код) плюс способ их оценивать, а он запускает параллельный цикл эволюции, в котором агент-кодер «Proposer» переписывает эти файлы, порождая более эффективные кандидаты.Это фреймворк, встраиваемый в мою систему, или отдельное приложение?Это фреймворк, а не отдельное приложение и не обычная библиотека для вызова. Вы предоставляете System-раннер, Evaluator, eval-данные и TunableArtifactSchema, а фреймворк сам ведёт цикл оптимизации и агента-кодера Proposer.
Это фреймворк, а не отдельное приложение и не обычная библиотека для вызова. Вы предоставляете System-раннер, Evaluator, eval-данные и TunableArtifactSchema, а фреймворк сам ведёт цикл оптимизации и агента-кодера Proposer.Как запустить его на своей системе?Следуйте docs/quickstart.md с шагами установки и быстрого старта: подключаете System (как запускать вашу систему на одном eval-примере), Evaluator (как оценивать результат от 0 до 1), eval-данные и TunableArtifactSchema, описывающую дерево настраиваемых файлов, после чего запускаете цикл эволюции.
Следуйте docs/quickstart.md с шагами установки и быстрого старта: подключаете System (как запускать вашу систему на одном eval-примере), Evaluator (как оценивать результат от 0 до 1), eval-данные и TunableArtifactSchema, описывающую дерево настраиваемых файлов, после чего запускаете цикл эволюции.Что нужно подготовить, прежде чем запускать эволюцию?Нужны ваши собственные System, Evaluator и eval-данные, а также агент-кодер в роли Proposer, который будет править артефакты — сам фреймворк не поставляет ни LLM, ни оценщика.
Нужны ваши собственные System, Evaluator и eval-данные, а также агент-кодер в роли Proposer, который будет править артефакты — сам фреймворк не поставляет ни LLM, ни оценщика.Есть ли нюанс, который стоит знать до того, как на это полагаться?Оптимизируемая система не обязана содержать LLM, но Proposer, редактирующий ваши файлы, должен быть агентом, а сопроводительная статья проекта пока не опубликована.
Оптимизируемая система не обязана содержать LLM, но Proposer, редактирующий ваши файлы, должен быть агентом, а сопроводительная статья проекта пока не опубликована.Для кого это предназначено?Это для команд, у которых есть агентная система, workflow или алгоритм, уже выражаемые файлами и дёшево и воспроизводимо оцениваемые, — фактически им достаётся круглосуточная команда алгоритм-инженеров, автоматизирующая эту настройку.
Это для команд, у которых есть агентная система, workflow или алгоритм, уже выражаемые файлами и дёшево и воспроизводимо оцениваемые, — фактически им достаётся круглосуточная команда алгоритм-инженеров, автоматизирующая эту настройку.Что именно считается «настраиваемым артефактом»?Всё, что выражается каталогом файлов с воспроизводимой оценкой: SKILL.md агента с файлами references и скриптами, pipeline.json workflow с кодом нод или один файл алгоритма с его описанием.
Всё, что выражается каталогом файлов с воспроизводимой оценкой: SKILL.md агента с файлами references и скриптами, pipeline.json workflow с кодом нод или один файл алгоритма с его описанием.Как Proposer решает, что менять?Он читает траектории сбоев из прогонов оценки, находит, какой файл виноват в сбое, и вносит структурированную правку как нового кандидата — как поступил бы инженер-человек, правя код.
Он читает траектории сбоев из прогонов оценки, находит, какой файл виноват в сбое, и вносит структурированную правку как нового кандидата — как поступил бы инженер-человек, правя код.Можно остановить и продолжить долгий прогон эволюции?Да — каждый кандидат, прогон, анализ и список изменений сохраняются в CandidateStore, поэтому прогоны можно прерывать и возобновлять, включая восстановление после сбоя.
Да — каждый кандидат, прогон, анализ и список изменений сохраняются в CandidateStore, поэтому прогоны можно прерывать и возобновлять, включая восстановление после сбоя.Что я в итоге получаю на выходе?Настраиваемые артефакты лучшего кандидата в виде настоящего каталога файлов, который можно диффить, ревьюить и разворачивать, с родословной изменений, возводящей каждую правку к данным о сбое, которые её вызвали.
Настраиваемые артефакты лучшего кандидата в виде настоящего каталога файлов, который можно диффить, ревьюить и разворачивать, с родословной изменений, возводящей каждую правку к данным о сбое, которые её вызвали.What are similar projects?PocketFlow, Raven, rrsi, harness-sdk, spring-ai-alibaba, evolver, qwen-code, foreman
PocketFlow, Raven, rrsi, harness-sdk, spring-ai-alibaba, evolver, qwen-code, foremanWhich topics is it in?self-improvement, loop-engineering, llm-agent, self-evolving, agentic, optimization, agent-framework, workflow-automation, agent-orchestration, multi-agent, agents, coding-agent
self-improvement, loop-engineering, llm-agent, self-evolving, agentic, optimization, agent-framework, workflow-automation, agent-orchestration, multi-agent, agents, coding-agent