AgentGA: Autonome Codeentwicklung durch Optimierung des Agenten-Seeds

Ein neues Forschungsframework namens AgentGA wurde vorgestellt, das autonome Codegenerierungsprozesse durch die Optimierung des Agenten-Seeds – also des Aufgabenprompts und optionaler Elternarchive – weiterentwickelt. Statt Codezeilen direkt zu bearbeiten, sucht die äußere Schleife nach wiederverwendbaren Ausgangsbedingungen, die einen frischen Arbeitsbereich initialisieren.

Jede Generation startet einen völlig neuen autonomen Lauf aus einem zurückgesetzten Arbeitsbereich. Ausgewählte Elternarchive liefern dabei abgeleitete Artefakte, die Nachkommen einsehen und wiederverwenden können. Auf diese Weise wird die Weiterentwicklung von Code nicht durch manuelle Änderungen, sondern durch die Weitergabe von nützlichen Artefakten vorangetrieben.

AgentGA kombiniert einen populationsbasierten genetischen Algorithmus mit Agenten, die langfristige Ziele verfolgen. Die Selektion erfolgt über deterministische 1:1-Elite-Turniere, während die Zuweisung von Operatoren online mit einem modifizierten Hedge-Controller angepasst wird.

Im Anwendungsfall für tabellarisches AutoML auf dem 16‑Wettbewerb‑Weco‑Kaggle‑Lite‑Benchmark erzielte AgentGA bei zehn Benchmarkläufen einen durchschnittlichen Erfolg von 74,52 % – deutlich über den 54,15 % von AIDE. In 1 135 Eltern‑Kind‑Vergleichen übertrafen Nachkommen, die Elternarchive erhielten, Läufe, die von Grund auf neu gestartet wurden, was die Wirksamkeit ererbter Artefakte unterstreicht.

Diese Ergebnisse zeigen, dass die Optimierung des Agenten-Seeds ein praktikabler Ansatz für autonome Code‑Suchsysteme ist und die Effizienz solcher Systeme nachhaltig steigern kann.