OpenLoopX · LLM4AD Next

从问题描述到可运行的进化算法搜索 —— 只需一条命令。
基于大语言模型驱动的自动化算法设计与进化优化

官方网站 · 快速开始 · 文档 · Wiki

English | 中文

---

⭐ 在 GitHub 上给我们点 Star，即可获得 在线网站 10 美元奖励 Token！

---

🔥 最新动态

• 🔬 [2026.09][自动科研]：LLM4AD_Next 接入 AutoResearchClaw，在 23 阶段科研流程的第 13 阶段、实验代码定稿前演化核心算法。候选版本沿用原评测程序验证，只有表现更好才替换原版；未改进时保留原代码。在线体验时请选择 llm4ad 实验类型。
• 🧮 [2026.09][新数据集]：新增 AlphaEvolve 数学基准套件，包含 11 个可独立运行的数学优化案例、案例级评估器、演化实现与可复用经验。
• 🏝️ [2026.09][新搜索方法]：新增多样岛屿遗传算法（Diverse Island GA），支持任意岛屿数量下连续分配利用、纠错与独立探索行为，并协同控制迁移和记忆使用。
• 🎯 [2026.08][新功能]：算法设计 Skill —— 模块化方法定义（EoH, FunSearch, ReEvo, MEoH, MOEA/D），使 coding agent 能够自主设计算法。请参阅算法设计 Skill。
• 🔬 [2026.07][新功能]：搜索方法已迁移 —— EoH、MEoH、ReEvo 和 MCTS-AHD 现已作为独立编排器可用。请参阅搜索方法。
• 🧠 [2026.07][新功能]：基于 MindMemOS 的长期记忆现已可用，支持全局、项目和任务记忆范围，并可配置聊天和嵌入模型绑定。请参阅记忆指南。
• 🚀 [2026.07][新版本]：LLM4AD_Next 在线试用现已上线 https://llm4ad-next.cn/ —— 无需本地安装，直接在浏览器中体验完整的问题到算法工作流。
• ✨ [2026.07][新功能]：推出交互式问题到项目工作流，将自然语言问题描述转化为可运行的进化算法搜索项目。
• 🐳 [2026.07][新功能]：版本化的 Docker Hub 部署镜像现已与 GitHub Release 标签对齐，支持可复现的本地部署。

🚀 为什么选择 LLM4AD_Next？

传统上，使用大语言模型进行自动化算法设计（LLM4AD）需要繁琐的多步配置流程。LLM4AD_Next 彻底消除了这一入门障碍。

使用 LLM4AD_Next，在创建目录后，所有这些繁琐的步骤都通过交互式对话终端完全自动化。只需运行：

uv run llm4ad chat

我们内置的 AI 驱动顾问将对您进行访谈，即时理解您的需求，并自动生成一个开箱即用的流水线（评估器、算法骨架、配置和调试器），让您可以直接开始生成有用的算法。

🎯 核心特性概览

• 🧠 LLM 驱动的设计 & 🧬 进化优化 相结合，自动进化出高性能代码。
• 💬 交互式配置 (llm4ad chat) —— 您的对话式 AI 顾问，一键生成完整的可运行应用框架。
• 🔍 进化块顾问与推荐器 —— 将 LLM4AD_Next 指向任意代码仓库，它将扫描、评分并精确推荐哪些代码块最有可能通过进化来实现您的目标。
• 🔬 AutoResearch 自动科研 —— 基于 AutoResearchClaw 执行科研流程；选择 llm4ad 实验类型后演化算法，若新版本没有胜过原版，则保留原代码。

搜索方法（自动启发式设计）

原始 LLM4AD 平台的自动启发式设计（AHD）搜索方法总览。实现 = 该方法在代码库中是否有可运行的 orchestrator 实现；Skill = 是否有面向 coding agent 的算法设计 Skill。

方法	实现	Skill	方法	实现	Skill
--------	--------	-------	--------	--------	-------
IslandGA	✅ 可用	✅ 可用	FunSearch	⏳ 待迁移	✅ 可用
Diverse Island GA	✅ 可用	✅ 可用	HillClimb	⏳ 待迁移	⏳ 待开发
MEoH	✅ 可用	✅ 可用	LHNS	⏳ 待迁移	⏳ 待开发
DyCA	✅ 可用	✅ 可用	LLaMEA	⏳ 待迁移	⏳ 待开发
EoH	✅ 可用	✅ 可用	MLES	⏳ 待迁移	⏳ 待开发
ReEvo	✅ 可用	✅ 可用	MOEA/D	⏳ 待迁移	✅ 可用
MCTS-AHD	✅ 可用	✅ 可用	NSGA-II	⏳ 待迁移	✅ 可用
			PartEvo	⏳ 待迁移	⏳ 待开发
			RandSample	⏳ 待迁移	⏳ 待开发

使用已迁移的方法

在配置文件中设置 evolution.type，然后运行 llm4ad run <config.yaml>。完整示例请参阅 examples/config/config.complete.yaml。

evolution:
  type: "eoh"  # 可选值包括: "diverse_island_ga", "island_ga", "eoh", "meoh", "reevo", "mcts_ahd", "dyca"

算法设计 Skill

模块化方法定义，使 coding agent 能够自主设计算法。给 coding agent 这个提示词：

I want you to design a [PROBLEM] solver using the [SKILL] method.

Skill: https://github.com/Optima-CityU/LLM4AD_Next/blob/develop/skills/algo-design/[SKILL]/SKILL.md
Task: /path/to/your/task/

Read the skill, read the task package, run [N] generations, give me the best algorithm.

完整示例请参阅 use_example（TSP + EoH）。

🏆 优秀案例展示

AlphaEvolve Mathematics Benchmark

案例（↑ Max · ↓ Min）	LLM4AD Next	公开结果	相关资料
单位正方形内 26 圆 ↑	2.6359830833 Δ +1.21e-7	AlphaEvolve 2.6358627564 LoongFlow 2.6359829625	代码 · 经验 · 结果
周长为 4 的矩形内 21 圆 ↑	2.3658323757 Δ +1.46e-7	AlphaEvolve 2.3658321334 LoongFlow 2.3658322295	代码 · 经验 · 结果
正六边形内 11 个单位正六边形 ↓	3.9246884168 Δ +0.00421844	AlphaEvolve 3.930092 LoongFlow 3.9289068555	代码 · 经验 · 结果
16 点最大/最小距离比 ↓	12.8892299077 Δ +1.36e-5	AlphaEvolve 12.8892661120 LoongFlow 12.8892435472	代码 · 经验 · 结果
不确定性不等式 ↓	0.352099104419 Δ +2.68e-12	AlphaEvolve 0.352099104423 LoongFlow 0.352099104422	代码 · 经验 · 结果
第二自相关不等式 ↑	0.9053043553 Δ +0.00260225	AlphaEvolve 0.8962799442 LoongFlow 0.9027021077	代码 · 经验 · 结果
第一自相关不等式 ↓	1.5074598117 Δ -0.00216584	AlphaEvolve 1.5052939684 LoongFlow 1.5095273149	代码 · 经验 · 结果
最小重叠问题 ↓	0.3809250447 Δ -1.13e-5	AlphaEvolve 0.380924 LoongFlow 0.3809137564	代码 · 经验 · 结果
等边三角形 Heilbronn 问题 ↑	0.0365298881928 Δ -1.69e-9	AlphaEvolve 0.0365298898800 LoongFlow 0.0365298898793	代码 · 经验 · 结果

快速开始

在线试用	观看教程	阅读文档
在浏览器中运行 LLM4AD_Next，无需安装或 API 密钥。	在安装或配置本地环境之前，先观看介绍视频。	使用文档路线图进行设置、配置、查看示例和 Web UI 部署。

教程视频

运行 LLM4AD Next

方式 A：在线演示（无需安装）

使用快速开始中的在线演示，或直接打开： 启动在线演示。

无需任何设置，无需 API 密钥 —— 只需打开链接即可开始设计算法。

方式 B：本地安装

需要 Python 3.12+（在 .python-version 中锁定）和 uv（推荐）或 pip。简单执行 uv sync 即可完成所有设置，包括 chatv2 AI 构建代理。

# 克隆仓库
git clone https://github.com/Optima-CityU/LLM4AD_Next.git
cd LLM4AD_Next

# 安装依赖
uv sync

# 配置您的 LLM 提供商（请参阅下方全局设置部分）
# 或直接设置环境变量：
export LLM_BASE_URL="https://api.openai.com/v1"
export LLM_API_KEY="your-api-key"
export LLM_MODEL="gpt-4o"

# 方式 1：交互式配置（推荐新用户使用）
llm4ad chat

# 方式 2：使用现有配置文件运行
llm4ad run examples/applications/tsp_benchmark_python/config.yaml

如需可选依赖组（infra、providers、eval、dev、docs、all）和 uv 安装说明，请参阅安装指南。

全局设置

创建 ~/.llm4ad/settings.yaml 来配置跨项目共享的提供商：

providers:
  - name: default
    type: openai
    api_key: ${OPENAI_API_KEY}
    model: gpt-4o
  - name: anthropic
    type: anthropic
    api_key: ${ANTHROPIC_API_KEY}
    model: claude-sonnet-4-20250514

任务配置只需提供商名称 —— 凭据和模型会自动从全局设置中解析。

有关 CLI 命令、交互式聊天工作流、进化块顾问/推荐器和 Python API，请参阅文档。

文档

• 文档首页
• 快速开始指南
• 配置指南
• 编写评估器

本地开发

# 启动文档服务（支持实时重载）
mkdocs serve

# 构建静态文档
mkdocs build

项目结构

LLM4AD_Next/
├── src/
│   ├── llm4ad/           # 核心 Python 包与 CLI
│   │   ├── agent/        # 对话式任务构建智能体
│   │   ├── advisor/      # 进化块顾问与推荐器
│   │   ├── builder/      # 可运行任务包构建器
│   │   ├── config/       # 配置模式与全局设置
│   │   ├── planner/      # 算法规划
│   │   ├── coder/        # 代码生成
│   │   ├── evaluator/    # 候选算法评测
│   │   ├── orchestrator/ # 进化工作流
│   │   ├── memory/       # 记忆集成
│   │   └── infra/        # 模型供应商与共享基础设施
│   ├── backend/          # FastAPI、工作进程、迁移与 API 测试
│   └── frontend/         # React/Vite 前端与界面测试
├── skills/               # 智能体技能
│   ├── algo-design/      # 算法设计方法
│   ├── autodiscovery/    # 从论文发现可进化任务
│   ├── autorebuttal/     # 审稿回复与 AC 总结
│   ├── document-knowledge-organizer/ # Markdown 知识整理
│   ├── llm4ad-task-builder/ # 可运行任务包构建
│   ├── openair-proposal/ # 分阶段科研申报书写作
│   ├── research-stage-publication/ # 阶段成果发布
│   └── typst-author/    # Typst 文档编写
├── docker/               # Compose 配置与运行时支持
├── third_party/          # 集成的上游子模块
│   ├── CloudCLI/         # 云端开发工作区
│   └── MindMemOS/        # 记忆服务与 SDK
├── examples/             # 示例任务与基准测试
│   ├── applications/    # 可运行任务与基准测试（下列为部分示例）
│   │   ├── alphaevolve_math_benchmark/ # 数学优化案例
│   │   ├── lunarlander_python/ # 强化学习示例
│   │   ├── sorting_benchmark/ # 排序算法基准测试
│   │   └── tsp_benchmark_python/ # 旅行商问题基准测试
│   ├── auto_applications/ # 自动构建任务示例
│   │   ├── from_code/   # 从已有代码构建任务
│   │   └── from_description/ # 从文字描述构建任务
│   └── config/          # 示例配置文件
├── tests/                # 核心 Python 测试
├── docs/                 # 中英文文档
└── scripts/              # 仓库维护工具

参与贡献

欢迎贡献！请阅读我们的贡献指南了解详情。

# 搭建开发环境
uv sync --extra all

# 运行测试
pytest

# 格式化代码
black src/ tests/
ruff check src/ tests/ --fix

许可证

本项目基于 BSD 3-Clause 许可证开源 - 详情请参阅 LICENSE 文件。

支持

• 文档
• 讨论区
• 问题追踪

加入社区

使用微信扫描二维码加入 LLM4AD_Next 社区群。