📖标题：CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery
🌐来源：arXiv, 2604.01658v1

🛎️文章简介
🔸研究问题：在开放式发现任务中，能否通过将进化算法的决策权（如检索、评估时机、知识积累）完全交给自主智能体，并引入多智能体并行协作机制，从而突破现有固定启发式搜索方法的性能瓶颈？
🔸主要贡献：论文提出了面向开放式问题的自主多智能体进化框架 CORAL，通过共享持久记忆和心跳机制，在多个任务上刷新了最先进水平。

📝重点思路
🔸构建共享持久记忆系统，将历史尝试、观察笔记和可复用技能以文件系统形式存储，允许智能体异步读取和写入，实现跨时间的知识积累与传递。
🔸设计异步多智能体组织架构，每个智能体在隔离的工作空间中独立运行，通过共享记忆而非直接消息传递进行隐式协作，增加探索多样性。
🔸引入基于心跳的干预机制，包括周期性反思、知识 consolidation 和停滞重定向，防止智能体陷入局部最优并促进长期目标导向的行为。
🔸实施严格的安全保障措施，如评估器隔离、独立工作空间和资源管理，确保智能体在长期运行中的稳定性和安全性，防止奖励欺骗。

🔎分析总结
🔸实验表明，单智能体自主进化在 11 个数学和系统优化任务上均优于固定进化搜索基线，改进率提高 3-10 倍，且收敛所需评估次数显著减少。
🔸多智能体协同进化进一步扩展了搜索边界，特别是在高难度压力测试任务中，4 个智能体将 GPU 内核优化任务的记录从 1363 周期提升至 1103 周期，超越此前最佳结果 20%。
🔸轨迹分析显示，本地验证和高质知识的积累是性能提升的关键，高级任务中智能体能生成更多可复用洞察，且跨智能体的信息转移（代码或笔记）显著提高了成功率。
🔸消融实验证实，移除知识积累或多智能体协同机制会导致性能大幅下降，证明 gains 源于真正的协同进化而非单纯的计算量增加。

💡个人观点
论文核心是共享持久记忆系统，通过干预机制避免局部最优，巧妙解决了多智能体长期协作中的知识碎片化和陷入局部最优难题。