提升代理式人工智能在系统优化中的连贯性与持久性

设计高性能系统启发式算法需专家进行假设形成与多步概念转换。尽管大语言模型有望自动化此过程，但常因进化邻域偏差和连贯性上限而失败：前者陷于局部最优，后者导致长程任务中上下文退化或跨运行知识无法积累。本文提出 Engram 架构，通过将长程探索与单上下文窗口解耦来解决上述局限。该架构将探索组织为代理序列，迭代设计、测试并分析机制；每轮结束后，将代码快照、日志及结果存入持久化存档，并将高层建模洞察提炼为紧凑的研究摘要供后续代理读取，从而在新上下文中延续先前发现。