这是什么
AntOmniEvo 是一个把「优化」当成改文件的 Python 框架。你先一次给出五样东西——跑被测系统的 System、给输出打 0–1 分且其打分标准就是目标的 Evaluator、训练与验证样本、声明哪些文件可改的 schema、以及起点文件；随后由 coding agent 读失败轨迹，把那些文件改成一个新候选，再由框架裁决它留不留。基因组是一个真实目录，所以一次变异可以是一条 Markdown 规则、一段节点脚本，或某个检索 DAG 的 pipeline.json；被优化的系统里不必有模型，但提出修改的必须是 coding agent。每一轮把父候选与变异出的子候选放在同一条训练批次上跑，只有当分数增量越过阈值或拿到满分时才在验证集上复评，再按 Pareto 支配加 top-N 兜底裁剪种群。被淘汰的候选不会丢掉，而是在同一轮里被有界地反复精修。每一个候选、运行、分析与 changelog 都落进一个可以续跑的工作区，另有一个 React 加 Flask 的可视化器把这次运行渲染出来。它从未打过 release：两个包的 0.1.1 版只发到内部源。
谁做的Ant Research 是一个组织账号而不是某个人：45 个公开仓库、368 个关注者、2022-12-17 注册，资料里挂着 antresearch.com。这个仓库的每一次提交都来自同一个成员账号 jacklv111——2022-09-20 注册、13 个公开仓库、5 个关注者——它是 21 次提交里 9 次的作者名、全部 21 次的关联账号，也是贡献者列表里唯一的一条。README 引的那篇论文列了六位作者，第一作者是 Yubin Lyu；仓库的内部发布流水线点名了两位批准人 lyuyubin.lyb 与 hanpu.mwx。哪个账号对应哪个名字，材料里没有写。
它是怎么搭起来的
组成 · 6这套东西的组织想法是：优化就该是普通的文件编辑，所以被优化的对象被表示成一个目录，而决定谁活下来的机制是用户不必自己写的确定性代码。这个选择把智能集中到一处——一个读失败运行、动手改文件的 coding agent——同时把概率性的东西挡在循环之外：取批次、接受还是退场、验证集复评、修剪、预算，全都是计数、求和与比较。两个后果塑造了代码。因为只有分析和改文件这两步交给 LLM，它们被拆成两段，中间隔着一份结构化产物；反思路径只改这份产物，绝不动改文件的机制。又因为这套变异循环建立在一个不可靠的花钱者之上，它必须可审计，于是记忆就是文件系统：子候选继承父候选的追加式 changelog，运行记录与分析在错误短路之前先落盘，启动时把中断的候选翻回可选状态。同一批文档对自己的血统也很坦白：Pareto 选择借鉴自 GEPA，被当作自己东西的是同时跑多个候选、以及让被淘汰的候选继续活着。
- antomnievo/optimizer/
optimizer.py里 43,728 字节：主循环，以及按场景分的子类——text2sql、AppWorld、TerminalBench、adconfig 与 RAG 流水线。slot、批次游标、接受还是退场的裁决、反思链、验证步骤，以及子类绕不过去的那两个计数器都归它管。- antomnievo/proposer/
- coding agent 这一侧：28,967 字节的
base_proposer.py装着「先分析、后变异」的两段流水线，每个后端只写一个薄子类——驱动claude的claude_code_proposer.py（6,054）和驱动pi的pi_coding_agent_proposer.py（5,776）；三个提示模板以 26,192 字节的reflection_analysis_prompt.py为首，另有analysis_prompt.py（9,508）与mutation_prompt.py（8,586）；还有沙箱里的 agent 被要求去跑的几个脚本validate_analysis.py、append_changelog.py、diff_dirs.py，前两个注册成命令行入口，好让它们在沙箱的 PATH 上找得到。 - antomnievo/interface/, store/, evolution_algorithm/, model/
- 契约、记忆与选择：六个抽象接口（
System、Evaluator、Proposer、EvolutionAlgorithm、CandidateStore、DataInst），30,684 字节的文件系统 store 旁边是 26,020 字节的接口，6,960 字节的 micro-pareto 算法，以及候选、预算、统计、轨迹与可调产物 schema 的 pydantic 模型——其中tunable_artifact_defs/下有九个文件，最大的是 21,105 字节的 text2sql 与 17,431 字节的 RAG 流水线。 - antomnievo/system/, evaluator/, dataset/, example/
- 四个参考目标及其脚手架：一个 LangGraph ReAct agent、跑 BIRD／DP／Spider2Snow 的 text2sql、AppWorld 与 TerminalBench 系统；各配一个评估器，AppWorld 与 TerminalBench 那两个分别是 9,511 与 8,793 字节；八个数据集加载目录；以及八个把各组件接起来的示例入口。它们每一个都依赖框架不会替你装的外部代码库。
- visualizer/
- 第二个包
ant-omnievo-visualizer：一个 Flask 后端（server.py11,616 字节、workspace_reader.py10,785、manage.py6,534），加一个 Vite 与 React 前端，其 39 个源文件里有 30,427 字节的GymBackdrop.tsx、27,868 字节的MaraChains.tsx和一份 58,913 字节的样式表，public/下还有 40 个文件、32 MB，几乎全是精灵图。 - docs/, skills/, .aci/
- 十六份文档，八份英文配八份中文，打头的是 13,706 字节的
system-design.md与 12,517 字节的中文版；一份 74,597 字节的SKILL.md属于eddy-antomnievo-experiment技能，带九份配方参考，最长的一份 38,238 字节，是写给 Ant 内部用户看的；再加内部发布流水线的两个文件。
取舍，以及它替代了什么
可调产物就是一个文件目录 替代 一组受限参数，或一门专用 DSL
这是设计文档列的第一条：真实目录让框架能用上一个成熟的、直接改文件的 coding agent，也把表达能力变成「文件系统装得下什么就是什么」——一条 Markdown 规则、一份 Python 实现、一个校验脚本、一段运行期扩展。于是每一处改动都被逼进一条结构化记录里，必须引用它所回应的那条失败轨迹观察。
把被淘汰的候选留着继续精修 替代 一旦没越过阈值就让它退场
README 引的论文认为被丢掉的候选里含有后续提案需要的信息，丢掉它们会让下一次提案重走同样的失败路径。链的深度有固定上限，种群规模由 Pareto 过滤后的 top-N 兜底，所以多出来的尝试不会把预算带跑。
micro-pareto：支配关系修剪加 top-N 兜底 替代 纯粹的 Pareto 弱支配
设计文档给的理由是：在带随机性的打分下纯 Pareto 会失效；它还说选择会按候选拿下多少个样本的第一名来加权，以保护全面型候选而不是偏科型候选。同一份文档把 Pareto 选择本身归功于 GEPA。
在运行与分析之间插一层结构化分析 替代 让改文件的 agent 直接读原始运行记录
第一阶段把一次失败运行变成一份
RunAnalysis：观察加处方，每条处方都要指名它解决的是哪一条轨迹观察，并做一次自检；第二阶段先跨样本去重、化解矛盾，再动手改文件，必须通过一条 changelog 命令记录 diff，且没有文件被改就算失败。原始运行永远到不了改文件那一步。把验证集隔离交给运行时强制，而不是写进提示里 替代 两个后端都用提示里声明的访问规则
Pi 后端启动时挂了两个扩展，一个硬性拦住对验证运行的读取，一个拦住绕过 changelog 命令；Claude Code 后端则靠提示里声明的访问规则。设计文档把读者该得出的结论直接写了出来：Pi 这条路径更受控。
预算触顶时先停止开新 slot，让在跑的跑完 替代 一到上限就把正在做的工作杀掉
任何一项上限触顶就不再开新 slot，并让在飞的 slot 排空；特点文档把它和断点续跑配在一起讲：长跑既不会超支，也不会把已经花掉的钱丢掉。它管这叫软停止。
依据docs/system-design.md（13,706 字节）、docs/features.md、docs/extensibility.md、docs/when-to-use.md、docs/quickstart.md、docs/workspace-artifacts.md、docs/checkpoint-resume.md、docs/visualizer.md、README.md、两个包的 pyproject.toml、.aci/python/.aci.yml 及其 README，以及九个 pull request 的正文。
制作过程
6 个阶段- 01
十五天、21 次提交、九个 pull request，没有一个 release
仓库创建于 2026-09-15，第一个提交
init落在两小时十八分钟后；最新的一个是 2026-09-30 合并的 pull request 9。也就是说，十五天里 21 次提交，全部集中在九月，而它们背后只有一个账号：21 次全部关联到jacklv111，其中 9 次的作者名是jacklv111，另外 12 次用的是另一个中文作者名和一个 163 邮箱。其中 7 次带Co-authored-by: Claude尾注。同一段时间里开了九个 pull request，九个都由同一个账号关掉，且没有任何一条评论——正文是作者自己写的变更说明，而不是对话，下文大部分细节正来自这里。它从未建过 release，也没有 tag；版本只以两个pyproject.toml里的0.1.1存在，而把它们发出去的是内部流水线.aci/python/.aci.yml：它的 README 写明有一道人工的「Verify & Confirm」闸门、必须设置PIP_INDEX_URL（否则隔离构建会打到公共源）、以及两位具名批准人。周围是 866 个星、86 个 fork、35 个 watcher、0 个 open issue，仓库 45,613 KB。 - 02
一个 slot，以及一个子候选要活下来必须满足什么
框架把一次迭代叫做一个 slot，设计文档把它里面的每一步都写了出来。优化器从父候选自己的
(epoch, dataset_index)游标取一批数据——尾部对齐、到头就绕到下一个 epoch，而且即使这次 rollout 失败游标也照样前进，于是数据顺序是一份快照，而不是对失败的应激反应。接着父候选与变异后的子候选跑在同一条批次上，而比较本身就是一次求和：增量等于子候选分数之和减去父候选分数之和。有两件事能过线：增量达到或超过min_improvement_per_batch，或者拿到满分。过线的子候选会在验证集上重新打分、写下summary.json，状态从evolving翻回pending；没过线的，如果开了反思就走反思链，没开就直接retire。每个 slot 结束后，父候选推进游标、eliminate跑一次、iteration_records.jsonl追加一行。快速开始里的数字是batch_size=3、max_iterations=1000、num_proposals=1、max_reflection_iterations=2、min_improvement_per_batch=2.0、max_candidate_num=3。多个 slot 在同一个进程里并发跑，任何一项预算触顶就不再开新 slot，而在跑的跑完为止；「硬上限」在特点文档里是四条，在设计文档里是五条，多出来的那条max_system_runs把包括验证运行在内的每一次运行都算进去。 - 03
被淘汰的候选不丢，而是被继续精修
一批数据没过阈值时，框架不会停在一次自然语言反思上，而是启动一条 mara chain：反思提示里预装了整条链的上下文——chain id 路径、带 Δ 列的逐样本分数表、已归因的 changelog、链上每一环此前对这条样本的分析，以及各环的运行文件——然后要求分析 agent 跑五种方法的诊断、填一张 A–I 诊断表、优先 REMOVE 与 REPLACE 而不是新增、在
artifact_issue里点名链上哪一环该负责，并去找「lost wins」。这样最多跑max_reflection_iterations轮；最终胜过原父候选的那一环被验证并留下，其余全部退场。第二阶段（真正改文件那一步）在反思路径上机械地不变——设计文档把整条链的学习都放在分析 JSON 这一层，而不是新增机制。特点文档明确写了什么是借来的、什么是自己的：Pareto 选择沿用自 GEPA，这里主张的增量是并发与 mara chain；README 引的那篇论文建立在同一个观察上——被丢掉的候选里往往有后续提案需要的信息，丢掉它只会让下一次提案再撞同一个坑。 - 04
「optimizes anything」这句话的边界在哪
仓库描述许诺的是一个能优化任何东西的框架，而边界被写在了一份文档里。要成立得满足两个条件：被优化的东西能表示成一个可调产物目录，且它的评估可重复、成本可控。在这两个条件之下，它说支持三种形态——AI agent 的 skill／harness／memory 目录；workflow，也就是配置加节点代码，比如某个检索 DAG 的
pipeline.json；以及单文件算法加它的描述——并两次强调被优化的系统里不必有模型。与目标不同，proposer 必须是一个 LLM coding agent。不适用的情况也写得很直白：根本没有可调产物（只有几个标量参数，它建议改用黑盒调参）、评估不可重复或极其昂贵、以及输出受严格合规约束——最后一条还提醒，proposer 是在沙箱里改文件的，沙箱权限得自己去审。另有两处限制不在宣传里而在代码里：框架不管被优化系统自己的运行时与打分工具链；分布式演化也不在范围内——云端存储要你自己写一个「本地加透明同步」的子类，文档还专门说明，这不是多个 worker 跨主机共用一个 store。第三个限制由示例本身印证：它们都跑不起来，各自依赖外部代码库，其中一个到今天还把作者自己家目录下的绝对路径当作工作区。 - 05
十次「成功」，和一个空的成果目录
仓库里最有用的一条 pull request 是一处修 bug，它的正文把根因、错误表现和修法都写了出来。在模型网关限流时，模型返回空的 assistant 消息；agent CLI 内部重试之后以 0 退出，于是什么都到不了
trajectory.errors。第一阶段把这种会话全都记成成功——日志写着「10 succeeded」——而分析结果目录始终是空的，第二阶段随后基于「(no analysis results available)」提案，什么也没改。这条 pull request 里的三处改动，材料写清了前两处：一是find_degenerate_ending，把「尾部连续两个以上空模型片段」或「零工具调用且零文本」判为失败，抛PiEmptyResponseError进入 429 已经在用的同一条重试路径，用同样的退避，并走既有的重试钩子；二是第一阶段在会话干净退出后，断言分析结果文件确实在本轮开始之后被写过或被重写过，否则这条数据算失败而不是成功。第三处改动属于第二阶段，在现有摘录里被截断了。它值得记下来的地方在于失败的样子：一个计数器、一个指标和一行日志都一致地宣布活干完了，唯一不同意的是那个空目录。 - 06
关于一次运行，记下了什么、又没记什么
仓库里没有任何地方发布结果：README 和它旁边八份英文文档都没有基准表。真实运行留下的唯一证据是视觉的——可视化文档里嵌了六张截图：把候选画成龙虾、按分数分层的健身房，谱系树，最优分数曲线，一张标出所有候选都没答对的题目的覆盖网格，以及文件查看器。项目发布的是「自己怎么查一次运行」：比较
logs/statistics.json里的baseline_avg_score与best_avg_score，读iteration_records.jsonl看每个 slot 是否被接受、旧批次与新批次的分数和、以及reflection_depth（大于 0 表示是反思救回来的），再顺着parent_id往上走到根，读changelog.jsonl——工作区文档把那称作可调产物为什么长成现在这样的人类可读历史。它真正拿得出手的数字，在 README 于 2026-09-30 开始链接的那篇论文里：摘要声称在 AppWorld 上相对 GEPA、ACE、SkillOpt-Lite 最高提升 20.5%，达到目标分数所用 rollout 比 GEPA 少 65.5%，在 TerminalBench 2.1 上通过率比 AHE 和 Meta-Harness 分别高 20.2 与 22.5 个百分点，在 MuSiQue 上相对一份手写检索流程把 test nDCG@10 与 Recall@10 提升 0.104 与 0.131。这些是同一支团队写在摘要里的主张，本记录的材料里没有任何东西复现过它们。
相关档案
全部档案 →第 129 号
Agents Universe
一套开源智能体平台，让同一个项目里的人共用一份上下文。项目选中时智能体把全部知识读进上下文，干活过程中再把学到的东西写回同一批文件；知识是磁盘上的 Markdown，数据库只做索引，没有嵌入模型，也没有向量检索。
第 123 号
agent-memory
一个给 AI agent 用的长期记忆运行时：Markdown 文件是唯一真相，检索在本地排序、读的时候不调用任何模型，召回返回的是路径而不粘贴正文，写入发生在对话边界而不是等 agent 想起来，另外还有一个独立的睡眠期管理层——它可以自己新增和更新，但删除永远只能以提案的形式提交。Claude Code、Codex CLI 与 Hermes 共用同一份存储，不需要任何 API key。
第 117 号
sepia
一个可移植的去 AI 味写作技能：一套规则文件配四个操作，小说先修叙事结构再谈用词，专业文稿按场合套一份薄薄的规则文件，而每条规则都标着它是被测出来的、被咨询过的，还是这个项目自己的推断。