的快速开始完整教程)
【免费下载链接】AntOmniEvoAn auto-evolution framework that optimizes anything — your 7×24 team of algorithm engineers.项目地址https://gitcode.com/gh_mirrors/an/AntOmniEvo点击查看免费下载AntOmniEvo是一个 auto-evolution自动进化框架可以理解成你的「7×24 小时算法工程师团队」你只需定义系统的可调产物tunable artifacts和「什么是好」框架控制进化循环AI Agent 负责读失败轨迹、改写文件最终把优化后的可调产物交付给你。本文带你从零开始完成 AntOmniEvo 的安装、组件拼装并成功调用optimize()跑通第一次优化。一、先搞懂AntOmniEvo 到底优化什么AntOmniEvo 把系统中的可调部分抽象成一目录真实文件——Agent 的SKILL.md 参考资料、workflow 的pipeline.json 节点脚本、甚至单文件算法。凡是能表示成文件目录、又能被重复打分的系统它都能优化。分工非常明确这也是跑通它之前必须建立的认知角色负责什么你定义System如何运行系统、Evaluator如何打分0–1打分标准就是优化目标、评估数据、TunableArtifactSchema文件树约定、初始可调产物框架控制进化循环、并发调度、预算控制、Pareto 选择/淘汰、断点续跑AI 干活coding agent 扮演Proposer读失败轨迹 → 定位要改的文件 → 落成结构化变更一句话优化 让 AI Agent 像人一样改文件框架保证改得越来越好。二、安装前的环境要求 只需要一个条件Python ≥ 3.10见 pyproject.toml。核心依赖只有pydantic、httpx、tenacity、pyyaml无需编译扩展pip install即可纯 Python 包跨平台零门槛。三、一键安装 AntOmniEvo 框架clone 仓库后git clone https://gitcode.com/gh_mirrors/an/AntOmniEvo在仓库根目录执行cd antomnievo pip install -e . # 核心框架按需加装可选能力完整清单见 docs/quickstart.zh-CN.mdpip install -e .[rag] # 可选LangGraph / RAG 场景 pip install -e ./visualizer cd visualizer npm install # 可选可视化器 npm install -g mariozechner/pi-coding-agent # 可选pi CLI仅 PiCodingAgentProposer 需要⚠️ 两个内置Proposer依赖外部 CLIPiCodingAgentProposer需要pi命令ClaudeCodeProposer需要claude命令——按你手上有的 CLI 二选一即可。你的System/Evaluator若调用自己的运行时也需自行安装AntOmniEvo 不管理它们。四、选一个参照实现example/ 目录AntOmniEvo 是框架而非工具你需要写一个入口脚本把组件串起来。antomnievo/example/ 下每个脚本都是针对一种系统形态的参照实现详见 example/README.md场景入口脚本特点Agentic RAGagentic_rag_internal.py进程内系统 基类Optimizer最简单的端到端参照建议先看这个RAG 流水线rag_pipeline.py子进程System 场景Optimizer子类Text2SQLbirdtest_text2sql.py整批子进程 BIRD 基准注意example 脚本各自依赖外部数据集与运行时如terminalbench2、birdtest等独立代码仓开箱不能直接跑——它们是用来学结构的忽略其中硬编码路径即可。运行方式统一为python -m antomnievo.example.module_path。五、入口脚本解剖7 个组件如何拼成一局以 agentic_rag_internal.py 为例所有入口脚本都是同一个形状加载 train/val 数据 → 建带时间戳的 workspace → 构造组件 → 调await optimizer.optimize()。store LocalCandidateStore(workspace_dir) # 候选落盘 断点续跑 ea ParetoFrontierEvolutionAlgorithm( candidate_storestore, max_candidate_num5) # 进化算法 system ReactAgentSystem(...) # 你的系统换自己的 evaluator AtomicFactEvaluator(...) # 打分器换自己的 proposer ClaudeCodeProposer(...) # 干活的 coding agent optimizer Optimizer( systemsystem, proposerproposer, evaluatorevaluator, evolution_algorithmea, candidate_storestore, train_datasettrain_dataset, val_datasetval_dataset, batch_size10, budgetBudget(max_iterations1000), num_proposals2, ) await optimizer.optimize()每个组件的定位System实现interface/system.py的System抽象类_run()方法吃了「候选可调产物 一条数据」吐出 trajectory 输出concurrency参数控制并行度Evaluator给输出打 0–1 分它的打分标准就是你的优化目标Proposer两阶段 coding agent先分析失败轨迹、再变异产物必须回指失败证据保证每次改动可追溯Budgetbudget.py 定义了四个正交硬上限max_iterations/max_rollouts/max_tokens/max_elapsed_seconds任一为None即该轴不限——第一次跑建议只设max_iterations跑通最重要CandidateStore所有候选、运行、分析、changelog 全部落盘到workspace/支持任意时刻中断后从 checkpoint 续跑checkpoint-resume.zh-CN.md。六、调用 optimize()第一次进化循环发生了什么核心实现在 optimizer.py 的optimize()方法跑起来后按这个顺序工作建立 root 候选把initial_artifacts_dir指向的初始可调产物注册为 root并在验证集上评出baseline_avg_score——这是之后所有改进的基准线并发进化num_proposals个 slot 同时工作每个 slot 由进化算法select()挑一个候选 → Proposer 读失败轨迹、改写产物生成子候选 → 子候选在训练 batch 上评估 → 分数达标才被接受进种群预算耗尽即软停止任一预算维度触顶后不再开新 slot在飞 slot 排空后优雅退出可中断可续跑CtrlC中断后用同一 workspace 重启会读到statistics.root_candidate_id自动走 resume 分支继续。七、验证第一次优化的结果跑完后不用看日志猜——workspace 里的文件就是答案完整归因指南见 docs/workspace-artifacts.zh-CN.md看什么路径找什么有没有进步logs/statistics.json对比baseline_avg_score与best_avg_scoreavg_score_history应单调不降每次迭代的取舍logs/iteration_records.jsonl逐 slot 的accepted、分数变化、reflection_depth最佳候选详情candidates/{best_id}/data/summary.json在验证集上的逐题分数产物为什么长这样candidates/{id}/data/changelog.jsonl每次变异的 diff、动机、预期效果八、用可视化器「看见」进化过程AntOmniEvo 自带一个 React Flask 可视化器docs/visualizer.zh-CN.md从 workspace 目录直接渲染整个进化过程pip install -e ./visualizer cd visualizer npm install antomnievo-visualizer-manage start --workspace /path/to/workspace/run打开http://localhost:5173进化种群会以「Lobster Gym 龙虾健身房」的形式呈现——候选个体按分数分层归入不同房间最优的在顶层 Golden HallLineage Tree 标签页展示全部候选的父子关系树每个节点标注分数、相对 root 的变化和等级徽章一眼看清「最优候选是怎么从 root 演化出来的」Stats 标签页给出最优平均分随迭代变化的曲线和运行级计数迭代进度、种群规模、创建/拒绝数、总耗时确认第一次optimize()是否在持续进步总结跑通 AntOmniEvo 第一次优化只需四步安装pip install -e .→抄参照从 example/ 挑一个换掉System/Evaluator/数据/Schema/初始产物→调await optimizer.optimize()→看statistics.json和可视化器确认进步。之后就可以正式把优化目标交给你自己的「7×24 算法工程师团队」了。更多特性Mara 链深度修复、micro-pareto 选择等可继续读 docs/features.zh-CN.md 与 docs/system-design.zh-CN.md。赞分享【免费下载链接】AntOmniEvoAn auto-evolution framework that optimizes anything — your 7×24 team of algorithm engineers.项目地址https://gitcode.com/gh_mirrors/an/AntOmniEvo点击查看免费下载相关推荐如何5分钟跑通LuaN1aoAgent从零安装到启动第一次AI渗透的完整教程如何5分钟跑通LuaN1aoAgent从零安装到启动第一次AI渗透的完整教程 LuaN1aoAgent 是一款图认知驱动的自主 AI 渗透测试 Agent能fsql快速开始从安装到第一个查询的完整教程fsql快速开始从安装到第一个查询的完整教程 想要更智能地搜索文件系统吗fsql文件搜索工具让你能用类似SQL的查询语言来查找文件告别复杂的命令行参数享如何快速上手Parallel Code从零安装到跑通第一个多Agent并行任务的完整教程如何快速上手Parallel Code从零安装到跑通第一个多Agent并行任务的完整教程 Parallel Code 是一款免费开源的 AI 并行编程桌面应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
