看看最近AI圈又在卷什么新方向。不看不知道，一看吓一跳，现在用大模型（LLM）搞自动化算法设计（AAD）已经卷出了新高度，单纯让LLM写个算法代码？那已经是old school的玩法了。

大伙都知道，自从诸如AlphaEvolve^[1]、EoH^[2]之类的工作展示了LLM +进化搜索的强大潜力以来，这个组合拳就成了现在搞自动化算法设计的最热CP。基本玩法就像下面这个图，简单粗暴：

图注：传统LLM引导搜索的典型流程：就像一个流水线，LLM根据固定的提示词和变异规则，不断生成新代码，评估后留下好的，周而复始。

说白了，就是把LLM当成一个超级聪明的变异算子。你给它几个还不错的算法（父代），它就能给你创造出一些新的、可能更好的算法（子代），不断迭代逼近最优解。

这个路子确实很顶，但是！大家有没有发现一个被普遍忽略的盲点？

无论是用MAP-Elites还是其他启发式方法，它们在整个进化过程中，那个搜索策略本身是写死的。比如，探索（exploration，去没去过的地方找找）和利用（exploitation，在已知的好地方深挖）的比例怎么平衡？选什么候选解？给大模型的提示词是什么？这些规则都是人提前定好的，从头到尾一成不变。

这就好比你拿着一张固定的地图去探索一片天天都在变的地形，前期可能还行，但随着搜索空间的演变，固定策略很容易陷入停滞（Stagnation），钻进死胡同出不来了~ 这就导致了极大的算力浪费：好地方没挖透，烂地方还在死磕。

为了打破这个僵局，最近有两支顶尖团队（包括UC Berkeley、Stanford等）不约而同地抛出了一个极其优雅且硬核的思路：搜索策略本身，也应该是一个可以进化的对象！与其让人苦哈哈地手动调参，不如让系统自己学会在什么阶段该用什么策略。

今天，笔者就带大家盘一盘这两篇最新的SOTA新文——EvoX和AdaEvolve。

1. EvoX^[3]：双层嵌套的元进化

EvoX的核心洞察一针见血，它搞了个双层进化的框架，直接把如何搜索这个元问题也纳入了进化过程：

图注：EvoX双层框架。内层老老实实找解，外层像个教练，紧盯内层进度，不行就换战术。

• 内层循环：跟传统方法一样，在当前搜索策略的指导下，让LLM进化候选解。

• 外层循环：这个是精髓！它在进化搜索策略本身。当内循环的搜索陷入停滞时，外循环就会被激活。它会根据历史策略的表现和当前种群的状态（是多样性不够还是精度不够？），自动让LLM生成一个新的搜索策略给内循环用。

这简直就是算法在学习如何学习啊！这就好比打游戏开荒，你用“莽夫流”打法卡关了，外循环就跳出来说：“别头铁了，看当前这个局势需要切风筝流打法”，然后系统就自动换策略继续打。最妙的是，策略的切换是按需驱动的，且永远不会重置历史经验。

2. AdaEvolve^[4]：三级自适应的全能管家

如果说EvoX是双层嵌套的精妙，那AdaEvolve则是把自适应这个词做到了极致。它把LLM驱动的进化重构成了一个分层自适应优化问题。

图注：AdaEvolve 的三级自适应架构。从微观的单岛探索，到中观的全局算力分配，再到宏观的战术反思，安排得明明白白。

AdaEvolve的狠活在于，它用一个统一的累积改进信号（Accumulated Improvement Signal）贯穿了三个层级的动态调整，全程不需要人去设定什么繁琐的超参数（只要告诉它用什么大模型，跑多少轮就行了）：

Level 1：局部适应（Local Adaptation）。在每一个候选解群体（岛屿）内部，动态调节探索和利用的强度。如果这个岛最近一直在进步（信号强），那就多利用（exploitation）；如果卡住了，那就加大探索（exploration）力度去碰碰运气。

Level 2：全局适应（Global Adaptation）。把算力看作预算，用Bandit算法在不同的岛屿之间调度。哪个岛产出的解最能刷新全局最佳，就把算力倾斜给谁，坚决不把资源浪费在那些只能在烂泥坑里微创新的岛上。

Level 3：元引导（Meta-Guidance）。这是最后的杀手锏！如果上面两招都失效，全局彻底卡死了怎么办？这就说明大方向错了。这时候系统会召唤LLM进行系统 2级别的深度反思，不再是修修补补写代码，而是直接生成全新的解题战术（Solution Tactics）（比如：别用贪心算法了，试试动态规划），强行扭转搜索方向。

图注：看看这爬坡曲线！前期疯狂试错，中期集中资源优化，一旦停滞，触发元引导，立刻打破瓶颈，一路狂飙到SOTA！

效果炸裂，这才是终极形态。

这两个脑洞大开的设计，效果怎么样？

EvoX在近200个真实的优化任务上（涵盖数学优化、系统性能优化、竞赛编程等）一通测试，在数学和系统优化基准中，在96%的任务上都取得了最优。

AdaEvolve同样在185个开放式优化问题上大杀四方。特别是在极其吃策略的Circle Packing（圆形排样）问题上，AdaEvolve甚至打破了人类专家和 AlphaEvolve保持的SOTA记录！

这种能自己换挡的自动变速箱，在实际的复杂优化中太重要了。比如咱们常说的卫星任务调度，应急任务来了需要快速探索新方案，常规任务需要精细打磨现有方案，固定的策略根本应付不来，而像EvoX和AdaEvolve这种能感知种群状态并自适应调整的框架，显然就游刃有余了。

从技术视角看，把如何搜索纳入搜索本身，形成了一种自指（self-referential）的优化范式，这才是自动算法设计的终极梦想，不是吗~

这两篇神作的代码都已经开源，更多硬核细节和case study可以参考相关文章和代码。

最后，欢迎转载，欢迎留言，欢迎扔砖，欢迎吐槽，欢迎提问。

参考文献：

[1] Romera-Paredes, B., Barekatain, M., Novikov, A., Balog, M., Kumar, M. P., Dupont, E., ... & Fawzi, A. (2024). Mathematical discoveries from program search with large language models. Nature, 625(7995), 468-475.

[2] Liu, F., Tong, X., Yuan, M., Lin, X., Luo, F., Wang, Z., ... & Zhang, Q. (2024). Evolution of heuristics: Towards efficient automatic algorithm design using large language model. arXiv preprint arXiv:2401.02051.

[3] S. Liu and S. Agarwal et al., "EvoX: Meta-Evolution for Automated Discovery," arXiv preprint, Feb. 2026.

[4] M. Cemri, S. Agrawal et al., "AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization," arXiv:2602.20133, Feb. 2026.