[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ShengranHu--ADAS":3,"tool-ShengranHu--ADAS":64},[4,17,27,35,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,43,44,45,15,46,26,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":10,"last_commit_at":54,"category_tags":55,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,46],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[26,15,13,45],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":23,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":98,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":99,"updated_at":100,"faqs":101,"releases":141},891,"ShengranHu\u002FADAS","ADAS","[ICLR 2025] Automated Design of Agentic Systems","ADAS是一个用于自动设计智能体系统的开源工具。它让AI能够像程序员一样，通过编写代码来创造新的智能体设计方案，包括发明全新的功能模块或将现有模块以新颖方式组合。\n\n传统上，设计高效的AI智能体需要大量专业知识和试错。ADAS通过其核心的“元智能体搜索”算法，让一个“元”智能体自动探索和生成大量潜在的设计方案，并从中筛选出性能优异的方案，从而自动化这一设计过程，显著提升了开发效率并可能发现人类未曾想到的创新设计。\n\n它主要面向AI研究人员和高级开发者，特别是那些从事智能体系统设计、自动化机器学习或算法创新领域的工作者。对于希望探索AI自主创新能力边界的研究团队尤其有价值。\n\nADAS的技术亮点在于其“让AI设计AI”的元方法。它不仅仅是组合现有模式，而是赋予模型编程能力，使其能通过代码生成来主动发明新的智能体架构。该项目源于学术研究，相关论文已被ICLR 2025接收，并在NeurIPS 2024研讨会上获得了杰出论文奖。\n\n使用前需注意，该工具会执行模型生成的代码，用户需自行评估相关安全风险。","\u003Ch1 align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShengranHu_ADAS_readme_a6266be0a9dc.png\" width=\"200\" \u002F>\u003C\u002Fa>\u003Cbr>\n  \u003Cb>Automated Design of Agentic Systems\u003C\u002Fb>\u003Cbr>\n\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fblob\u002Fmain\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg?style=for-the-badge\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2408.08435\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2408.08435-b31b1b.svg?logo=arxiv&style=for-the-badge\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.shengranhu.com\u002FADAS\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Website-%238D6748?style=for-the-badge&logo=Website&logoColor=white\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Ftwitter.com\u002Fshengranhu\u002Fstatus\u002F1825555341922480322\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftwitter-%230077B5.svg?&style=for-the-badge&logo=twitter&logoColor=white&color=00acee\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Ch3 align=\"center\" style=\"display:inline-block; border:2px solid red; border-radius:4px; padding:4px; margin:4px 0;\">\n \u003Cstrong> ICLR 2025\u003C\u002Fstrong>\u003Cbr>\n\u003C\u002Fh3>\n\u003Ch3 align=\"center\" style=\"display:inline-block; border:2px solid red; border-radius:4px; padding:4px; margin:4px 0;\">\n  🏆 \u003Cstrong>Outstanding Paper (NeurIPS 2024 Open-World Agent Workshop)\u003C\u002Fstrong> \n  \u003Ca href=\"https:\u002F\u002Fx.com\u002Fshengranhu\u002Fstatus\u002F1868475359060226191\" target=\"_blank\" style=\"margin-left:8px;\">[Tweet]\u003C\u002Fa>\n\u003C\u002Fh3>\n\nIn this work, we describe a newly forming research area **A**utomated **D**esign of **A**gentic **S**ystems (**ADAS**), which aims to *automatically create powerful agentic system designs, including inventing novel building blocks and\u002For combining them in new ways.*\n\n\nWe present a simple yet effective ADAS algorithm named **Meta Agent Search** to demonstrate that **agents can invent novel and powerful agent designs**. In Meta Agent Search, a \"meta\" agent iteratively *programs* interesting new agents in code based on previous discoveries.\n\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShengranHu_ADAS_readme_dc1380e18cf0.png\"\u002F>\u003C\u002Fa>\u003Cbr>\n\u003C\u002Fp>\n\n## Setup\n```bash\nconda create -n adas python=3.11\nconda activate adas\npip install -r requirements.txt\n\n# provide your OpenAI API key\nexport OPENAI_API_KEY=\"YOUR KEY HERE\"\n```\n\n## Running Instructions\n\n### Running Meta Agent Search\n\nTo run experiments for each domain, navigate to its respective folder. The code in each folder is self-contained. Launch experiments using the `search.py` script located in each domain's folder.\n\n```bash\npython {DOMAIN}\u002Fsearch.py\n```\n\nReplace `{DOMAIN}` with the specific domain folder name {`_arc`, `_drop`, `_mgsm`, ...} to run the experiment for.\n\n### Customizing Meta Agent Search for New Domains\n\nYou can easily adapt the code to search for new domains. To do so, follow these steps:\n\n1. Modify the `evaluate_forward_fn()` function and adjust any necessary formatting prompts (e.g. [this line](https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fblob\u002Fmain\u002F_mmlu\u002Fsearch.py#L89)) in the `search.py` file. \n\n2. Consider adding additional basic functions for the meta agent to utilize during the design process (similar to [this line](https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fblob\u002Fmain\u002F_arc\u002Fsearch.py#L161)).\n\n3. Update the domain-specific information within the prompts to match the requirements of your new domain (e.g. [this line](https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fblob\u002Fmain\u002F_mmlu\u002Fmmlu_prompt.py#L229)).\n\n4. Run the search and evaluation on your new domain.\n\n### Safety Consideration\n> [!WARNING]  \n> The code in this repository involves executing untrusted model-generated code. We strongly advise users to be aware of this safety concern. While it is highly unlikely that model-generated code will perform overtly malicious actions in our current settings and with the models we use, such code may still act destructively due to limitations in model capability or alignment. By using this repository, you acknowledge and accept these risks.\n\n\n## Citing\nIf you find this project useful, please consider citing:\n```\n@article{hu2024ADAS,\ntitle={Automated Design of Agentic Systems},\nauthor={Hu, Shengran and Lu, Cong and Clune, Jeff},\njournal={arXiv preprint arXiv:2408.08435},\nyear={2024}\n}\n```\n","\u003Ch1 align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShengranHu_ADAS_readme_a6266be0a9dc.png\" width=\"200\" \u002F>\u003C\u002Fa>\u003Cbr>\n  \u003Cb>智能体系统的自动化设计\u003C\u002Fb>\u003Cbr>\n\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fblob\u002Fmain\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg?style=for-the-badge\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2408.08435\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2408.08435-b31b1b.svg?logo=arxiv&style=for-the-badge\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.shengranhu.com\u002FADAS\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Website-%238D6748?style=for-the-badge&logo=Website&logoColor=white\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Ftwitter.com\u002Fshengranhu\u002Fstatus\u002F1825555341922480322\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftwitter-%230077B5.svg?&style=for-the-badge&logo=twitter&logoColor=white&color=00acee\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Ch3 align=\"center\" style=\"display:inline-block; border:2px solid red; border-radius:4px; padding:4px; margin:4px 0;\">\n \u003Cstrong> ICLR 2025\u003C\u002Fstrong>\u003Cbr>\n\u003C\u002Fh3>\n\u003Ch3 align=\"center\" style=\"display:inline-block; border:2px solid red; border-radius:4px; padding:4px; margin:4px 0;\">\n  🏆 \u003Cstrong>杰出论文奖 (NeurIPS 2024 开放世界智能体研讨会)\u003C\u002Fstrong> \n  \u003Ca href=\"https:\u002F\u002Fx.com\u002Fshengranhu\u002Fstatus\u002F1868475359060226191\" target=\"_blank\" style=\"margin-left:8px;\">[推文]\u003C\u002Fa>\n\u003C\u002Fh3>\n\n在这项工作中，我们描述了一个正在形成的新研究领域——**智能体系统的自动化设计**（**A**utomated **D**esign of **A**gentic **S**ystems，简称 **ADAS**）。其目标是*自动创建强大的智能体系统设计，包括发明新颖的构建模块和\u002F或以新的方式组合它们。*\n\n我们提出了一个简单而有效的 ADAS 算法，名为 **元智能体搜索**（**Meta Agent Search**），以证明**智能体能够发明新颖且强大的智能体设计**。在元智能体搜索中，一个“元”智能体基于先前的发现，迭代地以代码形式*编程*出有趣的新智能体。\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShengranHu_ADAS_readme_dc1380e18cf0.png\"\u002F>\u003C\u002Fa>\u003Cbr>\n\u003C\u002Fp>\n\n## 环境设置\n```bash\nconda create -n adas python=3.11\nconda activate adas\npip install -r requirements.txt\n\n# 提供你的 OpenAI API 密钥\nexport OPENAI_API_KEY=\"YOUR KEY HERE\"\n```\n\n## 运行说明\n\n### 运行元智能体搜索\n\n要为每个领域运行实验，请导航到其相应的文件夹。每个文件夹中的代码是自包含的。使用每个领域文件夹中的 `search.py` 脚本来启动实验。\n\n```bash\npython {DOMAIN}\u002Fsearch.py\n```\n\n将 `{DOMAIN}` 替换为特定的领域文件夹名称 {`_arc`, `_drop`, `_mgsm`, ...} 以运行相应实验。\n\n### 为新领域定制元智能体搜索\n\n你可以轻松地调整代码以搜索新的领域。为此，请遵循以下步骤：\n\n1.  修改 `search.py` 文件中的 `evaluate_forward_fn()` 函数，并调整任何必要的格式化提示（例如，[这一行](https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fblob\u002Fmain\u002F_mmlu\u002Fsearch.py#L89)）。\n\n2.  考虑为元智能体在设计过程中使用添加一些基础函数（类似于[这一行](https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fblob\u002Fmain\u002F_arc\u002Fsearch.py#L161)）。\n\n3.  更新提示中的领域特定信息，以匹配你新领域的要求（例如，[这一行](https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fblob\u002Fmain\u002F_mmlu\u002Fmmlu_prompt.py#L229)）。\n\n4.  在你的新领域上运行搜索和评估。\n\n### 安全考虑\n> [!WARNING]\n> 此仓库中的代码涉及执行不受信任的模型生成代码。我们强烈建议用户注意此安全问题。尽管在我们当前的设置和使用的模型下，模型生成的代码极不可能执行明显的恶意操作，但由于模型能力或对齐（alignment）的限制，此类代码仍可能具有破坏性。使用此仓库即表示您知晓并接受这些风险。\n\n## 引用\n如果你觉得这个项目有用，请考虑引用：\n```\n@article{hu2024ADAS,\ntitle={Automated Design of Agentic Systems},\nauthor={Hu, Shengran and Lu, Cong and Clune, Jeff},\njournal={arXiv preprint arXiv:2408.08435},\nyear={2024}\n}\n```","# ADAS 快速上手指南\n\n## 工具简介\nADAS (Automated Design of Agentic Systems) 是一个用于**自动化设计智能体系统**的开源框架。其核心算法 **Meta Agent Search** 能让一个“元”智能体通过迭代编程，自动发现并组合新颖、高效的智能体设计方案。\n\n## 环境准备\n- **操作系统**: Linux \u002F macOS \u002F Windows (WSL2 推荐)\n- **Python**: 版本 3.11\n- **包管理**: Conda (推荐) 或 pip\n- **API 密钥**: 需要有效的 OpenAI API Key\n\n## 安装步骤\n\n1.  **创建并激活 Conda 环境**\n    ```bash\n    conda create -n adas python=3.11\n    conda activate adas\n    ```\n\n2.  **克隆仓库并安装依赖**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS.git\n    cd ADAS\n    pip install -r requirements.txt\n    ```\n    *（国内用户可使用清华 PyPI 镜像加速安装：`pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`）*\n\n3.  **设置 API 密钥**\n    在终端中执行以下命令，将 `YOUR KEY HERE` 替换为你的实际 OpenAI API Key。\n    ```bash\n    export OPENAI_API_KEY=\"YOUR KEY HERE\"\n    ```\n    *（Windows 用户请使用 `set OPENAI_API_KEY=YOUR KEY HERE`）*\n\n## 基本使用\n\n### 运行 Meta Agent Search 实验\nADAS 为不同任务领域（如 ARC、DROP、MGSM 等）提供了独立的实验目录。要运行特定领域的实验，请进入对应目录并执行 `search.py` 脚本。\n\n例如，运行 ARC 领域的实验：\n```bash\npython _arc\u002Fsearch.py\n```\n只需将 `_arc` 替换为其他领域文件夹的名称（如 `_drop`, `_mgsm`），即可运行对应实验。\n\n### 为新领域定制 Meta Agent Search\n你可以通过以下步骤将 ADAS 适配到新的任务领域：\n1.  在目标领域的 `search.py` 文件中，修改 `evaluate_forward_fn()` 函数及相关提示词格式。\n2.  根据需要，为元智能体添加新的基础功能函数。\n3.  更新提示词中的领域特定信息。\n4.  运行搜索与评估流程。\n\n## 安全警告\n> [!WARNING]\n> 本仓库代码会执行模型生成的不受信任代码。用户必须意识到此安全风险。尽管在当前设置和所用模型下，生成的代码极不可能执行明显的恶意操作，但由于模型能力或对齐性的限制，此类代码仍可能具有破坏性。使用本仓库即表示您知晓并接受这些风险。","一家金融科技公司的算法团队正在开发一个智能客服系统，需要构建一个能够理解复杂金融产品咨询、并自动生成准确回复的智能体（Agent）系统。\n\n### 没有 ADAS 时\n团队采用传统的人工设计与试错方法，过程繁琐且效率低下：\n- **设计过程高度依赖专家经验**：系统架构师需要手动设计智能体的思考流程、工具调用逻辑和回复生成模块，设计质量受限于个人经验，难以探索更优方案。\n- **试错成本高昂且缓慢**：每提出一个新设计想法（如增加一个反思步骤或新的信息检索工具），都需要工程师手动编写代码、集成测试，一次完整的迭代周期往往需要数天。\n- **探索空间极其有限**：人工只能尝试少数几种主流设计模式（如ReAct、Plan-and-Execute），无法系统性地探索和组合海量的潜在“构建模块”（如不同的记忆机制、规划策略），很可能错过更优解。\n- **性能瓶颈难以突破**：在应对“比较两款年金保险产品的长期收益”这类复杂、多步骤查询时，现有智能体表现不稳定，准确率卡在75%左右，团队难以确定优化方向。\n\n### 使用 ADAS 后\n团队利用ADAS的“元智能体搜索”功能，自动化地探索和生成最优的智能体系统设计：\n- **自动化探索设计空间**：ADAS中的“元智能体”基于代码自动生成并测试数百种新颖的智能体设计方案，包括自行发明新的推理步骤或工具组合方式，无需人工干预设计。\n- **实现快速迭代与评估**：系统自动将新设计的智能体代码化，并在测试集上运行评估，将原本数天的迭代周期缩短到几小时，极大加速了实验进程。\n- **发现超越常识的优化方案**：ADAS发现了一种非直觉但高效的组合：在查询外部知识库前，先让智能体用一句话“预演”可能答案的结构，这一由算法“发明”的小模块将复杂查询的准确率提升了15%。\n- **系统性能显著提升**：通过自动化搜索到的最优设计，智能客服在处理复杂金融咨询时的整体准确率从75%提升至88%，并且对未知问题的泛化能力更强。\n\nADAS的核心价值在于，它将智能体系统设计从一个依赖人类经验和手工试错的“艺术”，转变为一个可自动化、规模化探索的“科学”过程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShengranHu_ADAS_a6266be0.png","ShengranHu","Shengran Hu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FShengranHu_3752e922.png","PhD student @ UBC CS",null,"hu.shengran@outlook.com","https:\u002F\u002Fwww.shengranhu.com\u002F","https:\u002F\u002Fgithub.com\u002FShengranHu",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,1551,234,"2026-04-01T13:40:52","Apache-2.0","Linux, macOS, Windows","未说明",{"notes":95,"python":96,"dependencies":97},"1. 需要提供 OpenAI API key。\n2. 代码会执行模型生成的不受信任代码，存在安全风险，使用者需知晓并承担风险。\n3. 建议使用 conda 创建和管理 Python 环境。\n4. 不同领域（DOMAIN）的实验代码是自包含的，需进入相应文件夹运行。","3.11",[],[15],"2026-03-27T02:49:30.150509","2026-04-06T05:18:03.445054",[102,107,112,117,121,126,131,136],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},3864,"运行 ARC 时，为什么总是得到 Interval (0,0%,0,0%) 和 Median: 0.0% 的结果？","此问题可能与初始化阶段成功但生成阶段出错有关。有用户遇到了 `invalid syntax (\u003Cstring>, line 1)` 错误，并且只有初始化阶段的结果写入了 `result.json`，生成阶段没有写入。建议检查生成阶段的代码语法。","https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fissues\u002F24",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},3865,"为什么选择批量生成（batch generation）而不是单次生成（single generation）？","对于代理配置文件更新和验证集评估阶段，不需要批量 API，GPT-4\u002F4o 可能是适合此阶段的模型。然而，在测试集评估阶段，使用批量 API 可以加速并降低成本。这是一个很好的实践建议。","https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fissues\u002F8",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},3862,"如何理解 ADAS 的执行流程？","ADAS 会从所选领域的 `_prompt.py` 文件夹中复制 5 个默认代理，然后使用每个代理通过给定领域 `_utils.py` 文件中的基础代码运行示例数据。它会根据新代理的输出与预期输出的匹配程度进行评分，然后选择表现最好的代理并将其存入 `_results.json` 文件。该代理会有一个生成的名称。理想情况下，在提示主机器人时，应包含一段上下文说明“您有以下代理可用”。当主机器人执行任务时，如果它有一个用于 ARC 基准测试的代理，它会在提示库中看到“arc transformer”代理并调用它，这会拉取 `_results.json` 中的条目并通过 API 调用运行，返回结果。","https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fissues\u002F12",{"id":118,"question_zh":119,"answer_zh":120,"source_url":116},3863,"如何在自定义领域使用 ADAS，特别是当该领域没有真实标签时？","我们认为为没有真实标签的领域开发 ADAS 算法将是一个重要的未来研究方向。目前，我们预计可以使用 LLM 评估器来为元代理提供反馈信号。",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},3866,"选择验证集大小（valid_size）和测试集大小（test_size）背后有什么统计考量吗？","选择这些数字（例如验证集 128，测试集 800）并没有严格的统计考量。这些数字是基于我们实证研究的工程经验设定的，目的是在评估成本和准确性之间取得平衡。这个参数选择（在其他自动化机器学习领域如 NAS 中也常见）的进一步分析会很有趣。","https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fissues\u002F18",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},3867,"`args.model` 参数似乎没有被用来获取响应？","`args.model` 实际上是用来定义元代理使用的模型，而不是用于测试生成代理的模型。后者被硬编码为默认值，因为在 Python 中，在默认参数中使用 `args` 可能导致意外行为。虽然可以通过更仔细的设置来改进，但我们可能会保留当前可行的解决方案。","https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fissues\u002F5",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},3868,"生成的代理存放在哪里？","生成的代理位于仓库的 `results` 文件夹中。例如，论文中提到的“动态记忆与优化代理”（Dynamic Memory and Refinement Agent）可以在 `results` 文件夹下的 JSON 结果文件中找到，它被命名为“元学习代理”（Meta-Learning Agent），来自第 8 代。","https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fissues\u002F4",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},3869,"DROP 任务的角色分配提示需要更新吗？","是的，`Role_Assignment` 提示中用于 DROP 任务的角色原本是从 MGSM 复制过来的，有一行没有为 DROP 相关角色更新。角色应为“'Reading Comprehension Specialist', 'Logical Reasoning Strategist', 'Multidisciplinary Knowledge Integrator'”。此问题已被维护者修复。","https:\u002F\u002Fgithub.com\u002FShengranHu\u002FADAS\u002Fissues\u002F23",[]]