摘要：在 LLM Agent 从“可用”迈向“好用”的进程中，“自我进化”成为了新的技术高地。百度百舸团队近期开源的 LoongFlow 框架，摒弃了传统进化算法中的盲目随机性，提出了一种基于 PES（Plan-Execute-Summarize） 的新型进化范式。本文将从设计理念、核心架构、代码实现及实战案例四个维度，深入解读 LoongFlow 如何实现 Agent 的“龙场悟道”。

---

1. 背景：当 Agent 遇到进化瓶颈

目前的 AI Agent 开发中，我们常常面临一个困境：Prompt 工程和 Workflow 的优化极度依赖人工经验。

虽然学术界存在基于进化的算法（Evolutionary Algorithms, EA），试图让 Agent 自动迭代代码或 Prompt，但传统 EA 往往存在致命缺陷：

• 盲目性：依赖随机突变（Mutation），像“无限猴子打字机”，效率极低。

• 无记忆：每一代变异往往忽略了上一代的“失败教训”，导致重复错误。

LoongFlow 的诞生正是为了解决这个问题。它的核心哲学源自王阳明的“龙场悟道”（Enlightenment at Longchang），主张 “知行合一” —— 即利用大模型的认知能力（Thinking/Planning）来指导行动（Executing），再通过行动结果反哺认知，实现定向进化（Directed Evolution）。

2. 核心架构：PES 范式解析

LoongFlow 没有采用复杂的黑盒优化，而是构建了一个清晰的 PES（Plan-Execute-Summarize） 闭环。

2.1 架构图解

在这个架构中，Agent 不再是一个单向执行流，而是一个包含长短期记忆的动态系统。

• P (Planner - 规划者)：

  • 角色：系统的“大脑”。

  • 职责：它不直接写代码，而是观察当前的进化状态（State）和进化记忆（Memory）。它会分析历史的最佳实践和失败路径，制定下一步的改进方向（Direction）。

  • 差异点：相比传统 ReAct 中的 Planner，这里的 Planner 具备跨周期的记忆能力。

• E (Executor - 执行者)：

  • 角色：系统的“手”和“工匠”。

  • 职责：接收 Planner 的指导，进行具体的代码编写、参数调整或 Prompt 优化。

  • 能力：内置了 Evaluate（评估）和 Debug（调试）机制，确保持续输出可运行的解。

• S (Summarizer - 总结者)：

  • 角色：系统的“复盘者”。

  • 职责：在 Executor 执行完毕后，Summarizer 会对比预期与结果，提取“知识”，并将其更新到进化记忆中，供下一轮 Planner 使用。

2.2 底层支撑：ReAct 与 Hook 机制

在代码实现上，LoongFlow 具有高度的工程化水准。其底层基于模块化的 ReAct 引擎：

# 伪代码展示模块化设计
class EvolveAgent(BaseAgent):
    def __init__(self, config):
        # 核心组件可插拔
        self.planner = PlannerWorker(...)
        self.executor = ExecutorWorker(...)
        self.summarizer = SummarizerWorker(...)
    
    async def run(self):
        while not converged:
            plan = await self.planner.think()
            result = await self.executor.act(plan)
            knowledge = await self.summarizer.reflect(result)
            self.memory.update(knowledge)

框架提供了丰富的 Hook 插桩，允许开发者在 pre_plan, post_execute 等环节注入自定义逻辑，非常适合科研实验和二次开发。

3. 应用场景与 SOTA 表现

LoongFlow 目前提供了两套成熟的进化策略实现：

3.1 General-Evolve（通用算法进化）

针对数学问题、算法竞赛等场景。

• 亮点：在数学家陶哲轩提出的 Open Problems 中，LoongFlow 在 11 个问题上打破了已知最佳结果。

• 原理：通过不断重写算法逻辑，寻找更优的数学解构。

3.2 ML-Evolve（机器学习自动进化）

针对 Kaggle、AutoML 场景。

• 亮点：在 OpenAI 发布的 MLE-Bench 基准测试中，LoongFlow 赢得了 14 枚金牌（共 20 个 Kaggle 竞赛）。

• 能力：它可以像一个数据科学家一样，自动进行 EDA（探索性数据分析）、特征工程构造、模型融合调优。

4. 开发者实战：从零启动一个进化任务

环境要求：Python 3.12+ (推荐使用 uv 管理依赖)

步骤一：环境配置

git clone https://github.com/baidu-baige/LoongFlow.git
cd LoongFlow
# 创建虚拟环境
uv venv .venv --python 3.12
source .venv/bin/activate
# 安装开发模式
uv pip install -e .

步骤二：配置任务

以经典的 “单位正方形圆堆积问题” 为例。我们需要关注 agents/general_evolve/examples/packing_circle_in_unit_square 目录。

1. 修改 task_config.yaml：配置你的 LLM 后端。

llm_config:
  model: "gpt-4o" # 建议使用强推理模型，如 GPT-4o 或 DeepSeek-R1
  api_key: "sk-your-key"
  url: "https://api.openai.com/v1"

evolution:
  max_iterations: 20 # 进化代数
  beam_width: 2      # 搜索宽度

1. 定义评估函数 (eval_program.py)：这是进化的“指挥棒”。

# 这是一个简化示例，LoongFlow 会尝试优化这个函数生成的圆的坐标
def evaluate(circles):
    # 计算圆是否重叠、是否在正方形内
    # 返回分数：放入圆的数量 or 圆的半径大小
    return score

步骤三：启动进化

# 安装该任务所需的特定依赖
uv pip install -r agents/general_evolve/examples/packing_circle_in_unit_square/requirements.txt

# 运行脚本
./run_task.sh packing_circle_in_unit_square

运行后，你会在日志中看到惊人的一幕：Agent 开始尝试不同的数学排列算法，最初可能报错，但随着 PES 循环的进行，代码越来越健壮，计算出的圆排列密度越来越高。

5. 总结与展望

LoongFlow 的开源，为 AI Agent 领域提供了一个高质量的 “自进化”基座。它证明了：结构化的认知流程（PES）比盲目的算力堆砌（Random Mutation）更有效。

对于广大开发者和研究人员，LoongFlow 是一个极佳的实验平台：

1. 对于算法工程师：可以利用 ML-Evolve 自动化处理繁琐的特征工程。

2. 对于 Agent 研究者：可以基于其 ReAct 框架研究新的记忆机制或规划算法。

3. 对于业务开发者：可以尝试用它来进化业务逻辑代码或复杂 Prompt。

项目地址：https://github.com/baidu-baige/LoongFlow

---

欢迎关注我的 CSDN 博客，获取更多 AI 前沿技术解析。如果觉得本文有用，请点赞收藏！