HyperAgents完整复现实验教程：从论文arXiv到本地跑通全量自进化循环

HyperAgents完整复现实验教程从论文arXiv到本地跑通全量自进化循环【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgentsHyperAgents是一个自指自改进智能体Self-referential Self-improving Agents框架源自论文 arXiv:2603.19461能让 AI 智能体针对任何可计算任务持续自我优化。本教程带你从安装依赖、初始化智能体到用一条命令跑通完整的自进化循环Self-improvement Loop并解读每一代进化产生的输出与演化曲线帮助新手快速复现 HyperAgents 论文实验。一、30秒读懂 HyperAgents 自进化循环HyperAgents 的核心是两个智能体 一个档案库角色职责对应源码Meta Agent元智能体修改代码库让智能体自己变得更强meta_agent.pyTask Agent任务智能体在具体领域任务上给出预测/回答task_agent.pyArchive档案库保存每一代智能体及评分供父代选择utils/gl_utils.py每一代循环做四件事选父代 → 运行 meta agent 修改代码 → 在基准上评测 → 更新档案并绘图。meta agent 被要求修改代码库的任意部分见 meta_agent.py 的指令实现真正的自指自我改进。二、复现前准备环境与依赖一键安装复现 HyperAgents 需要 Python 3.12 和 Docker官方安装步骤如下# 1. 克隆仓库 git clone https://gitcode.com/gh_mirrors/hy/HyperAgents cd HyperAgents # 2. 系统依赖Linux dnf 环境 sudo dnf install -y python3.12-devel sudo dnf install -y graphviz graphviz-devel cmake ninja-build bzip2-devel zlib-devel ncurses-devel libffi-devel # 3. 虚拟环境 python3.12 -m venv venv_nat source venv_nat/bin/activate pip install -r requirements.txt pip install -r requirements_dev.txt API Key 需放入.env文件包含OPENAI_API_KEY、ANTHROPIC_API_KEY、GEMINI_API_KEY。模型配置集中在 agent/llm.py默认 meta agent 使用 Claude Sonnet 4.5。三、构建 Docker 容器与初始化智能体HyperAgents 的所有进化操作都发生在 Docker 容器内的代码副本中评测完会重置回基线 commit保证环境干净。1. 构建镜像基于 CUDA 13.0支持 Genesis 物理仿真领域docker build --networkhost -t hyperagents .Dockerfile 还预装了 balrog 领域资产 与 proofgrader 依赖详见 Dockerfile。2. 初始化领域智能体。编辑并运行 setup_initial.sh它默认启用paper_review领域在 train/val/test 三个子集上评测初始智能体bash ./setup_initial.sh脚本注释中列出了全部可选领域paper_review、balrogbabyai / babaisai / minihack / nle、genesis_go2walking、imo_grading、imo_proof、polyglot。切换领域只需取消对应行注释。四、启动自进化循环一条命令跑通全量实验核心入口是 generate_loop.pypython generate_loop.py --domains paper_review常用参数速查完整列表见 generate_loop.py--max_generation进化代数默认 10新手可先设 2~3 快速验证--eval_samples每领域评测样本数-1表示全量--parent_selection父代选择策略如best、score_prop、score_child_prop--resume_from从指定输出目录断点续跑--run_baseline对照实验no_selfimprove/no_archive/dgm等--optimize_option只优化智能体 / 只优化集成 / 两者兼有Balrog 系列领域内置了复古游戏环境Nethack 的像素图块如下智能体就是在这样的环境中被反复评测和进化的多领域可一次并行例如python generate_loop.py --domains paper_review balrog_nle --max_generation 3五、解读输出档案、评分与演化曲线所有结果保存在outputs/generate_时间戳/下目录结构一目了然archive.jsonl智能体档案记录每个节点的分数与血缘关系gen_N/agent_output/model_patch.diff第 N 代 meta agent 产生的代码改动gen_N/metadata.json该代运行元信息各*_eval_*目录分领域评测预测与报告每代结束后generate_loop.py 会自动调用 analysis/plot_progress.py 与 analysis/visualize_archive.py 绘制分数随代数的演化曲线和档案可视化图无需手动运行分析脚本。多领域还会生成跨领域合并对比图。六、常见问题与安全提示 ⚠️成本每代都要调用大模型修改代码 全量评测建议先用小--max_generation和小--eval_samples试跑断点续跑实验中断后用--resume_from output_dir恢复避免重跑历史代数安全仓库明确提示本框架会执行模型生成的不可信代码建议在隔离的 Docker/云环境中运行勿在本地敏感机器上直接执行论文复现对照论文实验日志可通过 README 中提供的链接下载与outputs/结构对应方便逐项核对七、总结HyperAgents 复现实验清单✅ 克隆仓库并配置.envAPI Key✅ 安装 Python 3.12 依赖docker build构建镜像✅ 运行setup_initial.sh初始化领域智能体✅python generate_loop.py --domains domain启动自进化循环✅ 查看outputs/下的档案、diff 与演化曲线验证智能体逐代变强至此你已在本地完整跑通了 HyperAgents 的自指自进化循环——让 AI 修改 AI 的进化范式正是这篇 arXiv 论文最核心的贡献。【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考