SwarmResearch：編排編碼代理實現開放式發現

在人工智慧研究的前沿，長期執行的編碼代理（如自動研究系統）展現出持續為開放式問題發現最佳化方案的能力。然而，這類系統存在一個顯著缺陷：它們傾向於收斂到單一的高階策略，隨後僅進行低層次編輯，而忽略了其他可能更優的解決途徑。研究人員 Yuvraj Virk 及其同事假設，這一行為源於兩個關鍵的設計選擇：在單一長期執行的代理中積累上下文，以及僅暴露單個程式狀態供編輯。

為了克服這一侷限性，他們提出了 SwarmResearch，一種創新的編排器-子代理框架。該框架的核心是一個名為 Shepherd 的代理，它利用全域性上下文來引導一組搜尋代理。每個搜尋代理在其獨立的 git 分支中執行，擁有區域性上下文，從而能夠獨立探索不同的方向。Shepherd 代理則從全域性視角協調整個搜尋過程，確保多樣性和高效性。

在針對開放式最佳化任務的實驗中，SwarmResearch 展現了卓越的效能。在 15 項任務中，有 13 項任務它發現了優於或至少媲美最先進的 LLM 引導進化方法和多代理技術的解決方案。這一成功主要歸功於其更高層次的探索能力。與固定規模的序列或並行代理相比，SwarmResearch 透過在不同搜尋深度自適應調整並行度，發現了效能更優的解決方案，從而實現了更好的擴充套件性。

該研究論文於 2026 年 7 月 2 日提交至 arXiv，主題為人工智慧（cs.AI）。SwarmResearch 的工作展示瞭如何透過智慧編排多個代理，實現更高效、更全面的自動最佳化探索，為未來 AI 研究開闢了新的方向。