技术框架

更新时间：2025-11-12

我们的核心算法思想见《The FM Agent》一文，您可以点击查阅

灵感来源

针对组合优化、机器学习等复杂场景问题，人类研发工程师的工作流是“参考-设计-评估-选型”过程，成本较高，依赖经验且存在不确定性。

我们将这个过程抽象出来，将“参考-设计-评估-选型”交付给AI完成，人类只需要完成提供方向、目标、经验干预等流程，实现低成本高效果的人机共创。

核心贡献

工作流程

这张图展示了我们产品的工作流程：系统以 Ray 分布式架构为底座，构建由上下文集成（Context Ensemble）、智能构造代理（Rollout Agent）、评估器与采样机制组成的自驱演化闭环。系统可灵活引入专家经验与外部知识，通过智能代理进行推理与构造，自动生成结构解，并在分布式环境中高效评估与迭代优化，持续提升解的质量与多样性，实现结构型优化任务的全流程自动化与智能协同。

核心架构

FM Agent 采用“冷启动 + 自演化”双阶段架构。系统先由多智能体并发生成多样化的初始算法解，再通过相似度聚类分配至不同“岛屿”，形成高质量的初始种群。随后进入演化阶段，在分布式集群上利用大规模并行的变异与交叉机制持续改进方案，高效探索更优解。整个流程兼具高速吞吐、强扩展性与快速收敛能力，适用于复杂结构优化任务的自动化求解。

冷启阶段

在冷启动阶段，系统引入多种类型的智能体并并行运行，以构建一个具有高度多样性的初始解群体，从源头上拓展全局解空间，奠定后续演化的基础，降低陷入局部最优的风险。通过差异化配置和并行执行，各智能体可同步探索不同的生成策略与优化方向，显著增强初始方案的多样性和系统的可扩展性。同时，系统主动引导智能体探索目标空间中分散的区域，实现潜在解空间的覆盖最大化，为后续深度优化创造更有利条件。

进化阶段

进化阶段采用多群体岛屿架构，实现大规模并行演化搜索。每个岛屿独立进化解方案，并通过周期性交互促进创新与多样性，从而有效避免局部收敛，探索更优解空间。系统构建了自适应的采样机制，通过动态调节探索强度与选择压力，持续引导种群向更优方向演化。为满足不同任务场景的评估需求，系统引入通用评分、语言模型评审与场景专属评估器，全面覆盖从结构优化到模型生成的多维反馈，确保每次演化都有明确、高质量的优化目标。这一机制结合高性能分布式架构，实现了在规模化条件下的高效收敛与持续创新。

消融实验

消融实验在验证什么？

为了量化每个核心模块对整体性能的贡献，证明系统每个模块都至关重要，我们对三个关键能力：Cold Start 冷启动初始化、Adaptive Sampling 自适应多样性采样、Island Model 多岛屿多种群演化进行了消融，并检验它们在 ALE-Bench 复杂优化任务（ahc016）上的贡献。