用AI自动设计智能体，数学提分25.9%，远超手工设计
内容提要
该研究提出了智能体系统的自动化设计（ADAS）的新研究领域，并介绍了一种名为元智能体搜索的简单但有效的ADAS算法。实验结果表明，基于ADAS的智能体性能优于手工设计的基线。该研究还展示了元智能体搜索在不同领域的迁移性和泛化性。
延伸解读
ADAS 的核心框架与运作机制
ADAS 将智能体设计自动化，其算法包含三个关键部分：搜索空间定义可被发现的智能体系统，搜索算法探索空间并权衡探索与利用，评估函数衡量性能、成本等指标。元智能体搜索作为具体实现，让基础模型迭代编写新智能体代码，并存入存储库以辅助后续迭代，从而自动发明强大的智能体设计。
实验表现：显著超越手工设计
实验结果显示，ADAS 发现的智能体在多个任务上大幅优于最先进的手工设计基线。例如，在 DROP 阅读理解任务中 F1 分数提升 13.6，在 MGSM 数学任务中准确率提升 14.4%。跨模型迁移后，在 ARC 任务上准确率提升 14%，在 GSM8K 和 GSM-Hard 数学任务上分别提升 25.9% 和 13.2%，表明自动化设计能带来实质性性能增益。
迁移性与泛化能力
研究发现，通过元智能体搜索得到的智能体不仅能在相似领域间迁移，还能跨不同领域泛化。例如，在数学领域发现的智能体可以迁移到非数学领域，并在 GSM8K 和 GSM-Hard 等 held-out 任务上保持优势。这展示了 ADAS 所设计智能体的通用性，为未来自动化构建跨领域智能体系统提供了可能。
Q&A
什么是智能体系统的自动化设计（ADAS）？
智能体系统的自动化设计（ADAS）是一个新的研究领域，旨在自动创建强大的智能体系统设计，包括开发新的构建块并以新的方式组合它们。
元智能体搜索算法的核心思想是什么？
元智能体搜索的核心思想是通过迭代编程创建新智能体，并将其添加到智能体存储库中，以便在后续迭代中生成更有趣的新智能体。
基于ADAS的智能体在性能上有何优势？
基于ADAS的智能体性能显著优于手工设计的基线，实验结果显示在多个任务中有显著提升，例如在数学任务中准确率提高了25.9%。
ADAS算法的三个关键组成部分是什么？
ADAS算法的三个关键组成部分是搜索空间、搜索算法和评估函数。
元智能体搜索在不同领域的表现如何？
元智能体搜索展示了所发现智能体的迁移性和泛化性，能够在不同领域表现良好，例如从数学任务迁移到阅读理解任务。
实验结果如何证明ADAS的有效性？
实验结果表明，基于ADAS的智能体在多个任务上均优于基线手工设计的智能体，显示出显著的性能提升。
