codelion/openevolve
Openevolve
OpenEvolve este un framework de algoritmi evolutivi care utilizează modele de limbaj mari pentru a descoperi și optimiza autonom algoritmi de programare. Funcționează ca un motor de descoperire a algoritmilor și instrument de căutare a codului, evoluând populații de programe candidate pentru a găsi implementări eficiente și optimizări specifice hardware-ului.
Sistemul tratează atât codul, cât și instrucțiunile de sistem ca entități evolutive, utilizând un optimizator automat de prompt-uri pentru a rafina iterativ performanța modelului. Menține stabilitatea căutării prin gestionarea populației bazată pe nișe pentru a păstra diversitatea și utilizează un mecanism de feedback în buclă închisă care injectează erorile de runtime și log-urile înapoi în procesul de generare pentru repararea autonomă a bug-urilor.
Framework-ul include, de asemenea, un orchestrator de agenți care agregă răspunsurile de la mai multe API-uri de modele folosind logică ponderată și strategii de fallback. Pentru a susține calculul științific, implementează execuția deterministă prin gestionarea unor semințe aleatorii (random seeds) consistente în toate componentele stochastice.
Proiectul oferă un tablou de bord interactiv pentru vizualizarea progresului evoluției și a metricilor de performanță în timp real.
Features
- Evolutionary Algorithm Discovery - Implements an evolutionary pipeline using LLMs to autonomously discover and optimize efficient algorithms.
- Evolutionary Code Optimizers - Uses an LLM-driven evolutionary process to iteratively generate and mutate code for algorithm discovery.
- Automated Code Refinement Loops - Iteratively modifies source code based on performance feedback to achieve execution speedups.
- Error-Correction Feedback Loops - Injects runtime error messages and system logs back into prompts for autonomous bug fixing.
- Population Diversity Maintenance - Uses a niche-based architecture to preserve candidate solution diversity and prevent premature convergence.
- Closed-Loop Code Iteration - Provides autonomous cycles of code execution and refinement to achieve hardware-specific performance breakthroughs.
- AI Model Orchestration - Orchestrates multiple AI model providers using weighted logic to improve response accuracy.
- Automated Prompt Optimization - Programmatically refines system instructions and model prompts based on iterative performance metrics.
- Genetic Prompt Evolution - Treats system instructions as evolvable code, applying genetic algorithms to iteratively optimize agent performance.
- Deterministic Training Seeds - Applies consistent random seeds across all stochastic components to ensure scientific reproducibility.
- Weighted & Fallback Ensembles - Combines outputs from multiple LLM APIs using weighted logic and fallback strategies to increase reliability.
- Prompt Engineering - Designs and refines system instructions as evolvable code to optimize LLM performance.
- Reproducible Run Configurations - Ensures exact reproduction of experimental runs by capturing configurations and synchronizing random seeds.
- LLM Plugin Orchestrators - Implements a system to route tasks across multiple LLM APIs using weighted logic and fallback strategies.
- Experimental Reproducibility - Ensures experimental results can be repeated exactly by maintaining consistent seeds across random components.
- Code Refinement - Open-source evolutionary coding agent.
