实时观看 OpenEvolve 发现最优圆打包方案：

Generation 1	Generation 190	Generation 460 (Final)
Random placement	Learning structure	最先进结果

结果：匹配 n=26 圆打包问题的已发布基准测试。

进化前（基线）：

// Standard attention implementation
kernel void attention_baseline(/* ... */) {
    // Generic matrix multiplication
    float sum = 0.0;
    for (int i = 0; i < seq_len; i++) {
        sum += query[tid] * key[i];
    }
}

进化后（快 2.8 倍）：

// OpenEvolve discovered optimization
kernel void attention_evolved(/* ... */) {
    // Hardware-aware tiling + unified memory optimization
    threadgroup float shared_mem[256];
    // ... evolved algorithm exploiting Apple Silicon architecture
}

性能影响：在 Apple M1 Pro 上实现 2.8 倍加速，同时保持数值精度。

• 全面种子设置：每个组件（大语言模型 LLM、数据库、评估）均已进行种子设置
• 默认种子=42：开箱即用即可立即获得可复现的结果
• 确定性进化：跨机器运行可实现精确复现
• 组件隔离：基于哈希的隔离防止交叉污染

• 通用 API：适用于 OpenAI、Google、本地模型及代理
• 智能集成（Ensembles）：带有复杂回退机制的加权组合
• 测试时计算（Test-Time Compute）：通过代理系统增强推理能力（见 OptiLLM 设置）
• 插件生态系统：支持高级推理插件

• 双重选择：针对性能与灵感使用不同的程序
• 自适应特征维度：自定义质量多样性指标
• 迁移模式：受控基因流的环状拓扑结构
• 多策略采样：精英、多样性和探索性选择

pip install openevolve

git clone https://github.com/algorithmicsuperintelligence/openevolve.git
cd openevolve
pip install -e ".[dev]"

# 拉取镜像
docker pull ghcr.io/algorithmicsuperintelligence/openevolve:latest

# 运行示例
docker run --rm -v $(pwd):/app ghcr.io/algorithmicsuperintelligence/openevolve:latest \
  examples/function_minimization/initial_program.py \
  examples/function_minimization/evaluator.py --iterations 100

export OPENAI_API_KEY="sk-..."
# 默认使用 OpenAI 端点

# config.yaml
llm:
  api_base: "https://generativelanguage.googleapis.com/v1beta/openai/"
  model: "gemini-2.5-pro"

export OPENAI_API_KEY="your-gemini-api-key"

# config.yaml
llm:
  api_base: "http://localhost:11434/v1"  # Ollama
  model: "codellama:7b"

为了实现最大灵活性，包括速率限制、模型路由和测试时计算：

# 安装 OptiLLM
pip install optillm

# 启动 OptiLLM 代理
optillm --port 8000

# 将 OpenEvolve 指向 OptiLLM
export OPENAI_API_KEY="your-actual-key"

llm:
  api_base: "http://localhost:8000/v1"
  model: "moa&readurls-o3"  # 测试时计算 + Web 访问

进化提示词而非代码以获得更好的 LLM 性能。查看 LLM 提示词优化示例 以获取完整的 HotpotQA 案例研究，准确率提升 +23%。

完整示例

自动生成解决方案用于编程竞赛：

# Problem: Find maximum subarray sum
# OpenEvolve discovers multiple approaches:

# Evolution Path 1: Brute Force → Kadane's Algorithm

进化路径 2：分治法 → 优化的 Kadane 算法

进化路径 3：动态规划 → 空间优化 DP

[在线判题系统集成](examples/online_judge_programming/)

</details>

## 配置

OpenEvolve 为高级用户提供了广泛的配置选项：

```yaml
# 高级配置示例
max_iterations: 1000
random_seed: 42  # 完全可复现

llm:
  # 集成配置
  models:
    - name: "gemini-2.5-pro"
      weight: 0.6
    - name: "gemini-2.5-flash"
      weight: 0.4
  temperature: 0.7

database:
  # MAP-Elites 质量多样性算法
  population_size: 500
  num_islands: 5  # 并行进化
  migration_interval: 20
  feature_dimensions: ["complexity", "diversity", "performance"]

evaluator:
  enable_artifacts: true      # 向 LLM（大语言模型）提供错误反馈
  cascade_evaluation: true    # 多阶段测试
  use_llm_feedback: true      # AI 代码质量评估

prompt:
  # 复杂的灵感系统
  num_top_programs: 3         # 表现最佳的程序
  num_diverse_programs: 2     # 创造性探索
  include_artifacts: true     # 执行反馈
  
  # 自定义模板
  template_dir: "custom_prompts/"
  use_template_stochasticity: true  # 随机化提示词

database:
  feature_dimensions: 
    - "complexity"      # 内置：代码长度
    - "diversity"       # 内置：结构多样性
    - "performance"     # 自定义：来自你的评估器
    - "memory_usage"    # 自定义：来自你的评估器
    
  feature_bins:
    complexity: 10      # 10 个复杂度层级
    performance: 20     # 20 个性能区间
    memory_usage: 15    # 15 个内存使用类别

prompt:
  template_dir: "custom_templates/"
  use_template_stochasticity: true
  template_variations:
    greeting:
      - "Let's enhance this code:"
      - "Time to optimize:"
      - "Improving the algorithm:"
    improvement_suggestion:
      - "Here's how we could improve this code:"
      - "I suggest the following improvements:"
      - "We can enhance this code by:"

编写有效的系统消息

系统消息是成功进化的关键。 它们指导 LLM（大语言模型）理解你的领域、约束和优化目标。精心设计的系统消息可以决定是产生随机变异还是针对性改进。

为什么系统消息很重要

你的 config.yaml 中的系统消息可以说是进化成功最重要的组件：

• 领域专业知识：为 LLM 提供关于问题空间的具体知识
• 约束感知：定义进化过程中可以更改和不可更改的内容
• 优化重点：引导 LLM 朝向有意义的改进
• 错误预防：帮助避免常见陷阱和编译错误

迭代创建过程

基于成功的 OpenEvolve 实现，系统消息最好通过迭代创建：

按复杂度分类的示例

简单：通用优化

prompt:
  system_message: |
    You are an expert programmer specializing in optimization algorithms.
    Your task is to improve a function minimization algorithm to find the
    global minimum reliably, escaping local minima that might trap simple algorithms.

中级：特定领域指导

prompt:
  system_message: |
    You are an expert prompt engineer. Your task is to revise prompts for LLMs.

    Your improvements should:
    * Clarify vague instructions and eliminate ambiguity
    * Strengthen alignment between prompt and desired task outcome
    * Improve robustness against edge cases
    * Include formatting instructions and examples where helpful
    * Avoid unnecessary verbosity

    Return only the improved prompt text without explanations.

⚡ 高级：硬件特定优化

prompt:
  system_message: |
    You are an expert Metal GPU programmer specializing in custom attention
    kernels for Apple Silicon.

    # TARGET: Optimize Metal Kernel for Grouped Query Attention (GQA)
    # HARDWARE: Apple M-series GPUs with unified memory architecture
    # GOAL: 5-15% performance improvement

    # OPTIMIZATION OPPORTUNITIES:
    **1. Memory Access Pattern Optimization:**
    - Coalesced access patterns for Apple Silicon
    - Vectorized loading using SIMD
    - Pre-compute frequently used indices

    **2. Algorithm Fusion:**
    - Combine max finding with score computation
    - Reduce number of passes through data

    # CONSTRAINTS - CRITICAL SAFETY RULES:
    **MUST NOT CHANGE:**
    ❌ Kernel function signature
    ❌ Template parameter names or types
    ❌ Overall algorithm correctness

    **ALLOWED TO OPTIMIZE:**
    ✅ Memory access patterns and indexing
    ✅ Computation order and efficiency
    ✅ Vectorization and SIMD utilization
    ✅ Apple Silicon specific optimizations

最佳实践

# Good: "Focus on reducing memory allocations. Example: Replace `new Vector()` with pre-allocated arrays."
# Avoid: "Make the code faster"

# Good: "For GPU kernels: 1) Memory coalescing 2) Occupancy 3) Shared memory usage"

**Set Clear Boundaries:**
```yaml
system_message: |
  MUST NOT CHANGE: ❌ Function signatures ❌ Algorithm correctness ❌ External API
  ALLOWED: ✅ Internal implementation ✅ Data structures ✅ Performance optimizations

元进化：使用 OpenEvolve 优化提示词

你可以使用 OpenEvolve 来进化你自己的系统消息！ 这种强大的技术让你能够自动优化提示词以获得更好的大语言模型 (LLM) 性能。

参见 LLM 提示词优化示例 以获取完整实现，包括 HotpotQA 案例研究，准确率提升了 +23%。

需要避免的常见陷阱

• 过于模糊："让代码更好" → 具体说明"更好"意味着什么
• 限制过多：过度约束可能会阻止有用的优化
• 缺少上下文：包含相关的领域知识和术语
• 缺乏示例：具体的示例比抽象的描述更能引导 LLM
• 忽略工件：不要根据错误反馈来优化提示词

工件与调试

工件侧信道 (Artifacts side-channel) 提供丰富的反馈以加速进化：

# Evaluator can return execution context
from openevolve.evaluation_result import EvaluationResult

return EvaluationResult(
    metrics={"performance": 0.85, "correctness": 1.0},
    artifacts={
        "stderr": "Warning: suboptimal memory access pattern",
        "profiling_data": {...},
        "llm_feedback": "Code is correct but could use better variable names",
        "build_warnings": ["unused variable x"]
    }
)

下一代提示词将自动包含：

## Previous Execution Feedback
⚠️ Warning: suboptimal memory access pattern
💡 LLM Feedback: Code is correct but could use better variable names
🔧 Build Warnings: unused variable x

这创建了一个反馈循环，其中每一代都从之前的错误中学习！

可视化

实时进化追踪 带有交互式 Web 界面：

# Install visualization dependencies
pip install -r scripts/requirements.txt

# Launch interactive visualizer
python scripts/visualizer.py

# Or visualize specific checkpoint
python scripts/visualizer.py --path examples/function_minimization/openevolve_output/checkpoints/checkpoint_100/

功能：

• 🌳 进化树 显示父子关系
• 📈 性能追踪 跨代展示
• 🔍 代码差异查看器 显示变异
• 📊 MAP-Elites (网格映射精英算法) 网格 可视化
• 🎯 多指标分析 带自定义维度

路线图

🔥 即将推出的功能

• 多模态进化：图像、音频和文本同时进行
• 联邦学习：跨多台机器的分布式进化
• AutoML 集成：超参数和架构进化
• 基准测试套件：跨领域的标准化评估

🌟 研究方向

• 自修改提示词：进化修改其自身的提示策略
• 跨语言进化：Python → Rust → C++ 优化链
• 神经符号推理：结合神经和符号方法
• 人机协作：带有人类反馈的交互式进化

想贡献吗？查看我们的 路线图讨论!

常见问题

贡献者

感谢所有让 OpenEvolve 成为可能的杰出贡献者！

贡献指南

我们欢迎贡献！以下是开始步骤：

1. 🍴 Fork（仓库分叉） 该仓库
2. 🌿 创建你的功能分支：git checkout -b feat-amazing-feature
3. ✨ 添加你的更改和测试
4. ✅ 测试所有内容：python -m unittest discover tests
5. 📝 Commit（提交） 附带清晰的信息
6. 🚀 Push（推送） 并创建 Pull Request（拉取请求）

开源新手？ 请查看我们的 贡献指南，并寻找 good-first-issue 标签！

学术与研究

关于 OpenEvolve 的文章与博客：

• 迈向开放进化智能体 - 编码智能体的演进与开源运动
• OpenEvolve：GPU 内核 (GPU Kernel) 发现 - 优化后的 GPU 内核自动化发现
• OpenEvolve：使用大语言模型 (LLMs) 进行进化编码 - 介绍如何使用大语言模型发现进化算法

引用

如果你在研究中使用 OpenEvolve，请引用：

@software{openevolve,
  title = {OpenEvolve: an open-source evolutionary coding agent},
  author = {Asankhaya Sharma},
  year = {2025},
  publisher = {GitHub},
  url = {https://github.com/algorithmicsuperintelligence/openevolve}
}