Automath-evo

本页先概括目标，再按整体架构、模型接入、物化、进化与 Map-Elites¹ 评估分节。系统在若干特征维度上归档精英解，避免单标量优化导致解趋同。

面向数学建模等实验：输入题面与可选数据、图示，生成可运行 Python 骨架，多轮内只改标记块、更新依赖、跑脚本取反馈。可选论文智能体按建模论文结构成文，衔接题面—代码—文稿。

流程：题面与环境 → LLM 出工程蓝图 → 物化层落盘并建 venv⁴、装依赖 → 多轮改标记块、差分 import、子进程跑脚本 → Map-Elites 写入归档 → 可选论文智能体读精英撰写。主流程用 Python asyncio²：模型调用与子进程均为高延迟 I/O，在事件循环内并发重叠等待。

模型接入采用 OpenAI 兼容 API³：Bearer 鉴权、chat/completions 类 JSON 请求与统一响应解析；换底座多只需改 base URL 与密钥。封装层做限流、退避重试与超时。各节点可绑不同模型，对上仍为结构化 JSON 输出，与厂商解耦。

物化把 LLM 的路径—内容映射写入磁盘：隔离子目录、初始化 venv⁴、pip 安装、写源文件。每代独立副本，便于删改与 diff。该层连接生成物与可执行环境。

成对标记界定可编辑 span，壳层稳定；繁殖只替换 span 并校验行对齐。依赖对 import 做差分安装。失败时将 stderr 回注提示，形成执行—诊断—修补闭环，属补丁式程序综合⁵。

单标量适应度易使解趋同。Map-Elites¹ 将多维特征分桶，网格每格保留精英，显式保留更简单、更快等折中解；质量维可接 LLM 评委做软评分。

论文智能体读取进化数据库与 Map-Elites 精英集，按摘要、问题重述、假设、模型、验证、结果分析等块分步生成，再拼接为完整文稿；可挂载本地文件工具、脚本执行与检索工具，工作目录与代码产物一致。代码进化与论文生成共享同一精英定义，输出可为仓库或可提交论文。

长时任务将进化状态、评估器快照与元数据写入带时间戳的历史目录，支持中断后续跑与事后审计。超时或手动终止时尽力落盘，减少无效计算。