美团算法模型AutoResearch自进化系统架构演进
原标题：从 LOOP 到图探索 —— 算法模型的 AutoResearch 自进化系统架构演进之路
AI 摘要
美团技术团队基于Karpathy开源的AutoResearch原型，经过三次架构重构，将单线程LOOP探索升级为CyclicGraph Engine图探索架构，并引入状态机、业务知识库与真实大闭环，构建出可在企业云端训练平台运行的算法研究自进化系统。在两个业务建模项目中，单任务完成耗时较人工基线分别减少约85%与83%，其中一个系统自主推导的方案已推全上线并取得线上收益，另一个多目标项目在全部12个预估目标上超过人工基线。文章还分享了Harness设计、可信度治理与经验沉淀机制。
正文节选
从 LOOP 到图探索 —— 算法模型的 AutoResearch 自进化系统架构演进之路 算法工程师的一天是“改代码—提交训练—等待—看日志—决定下一步”，过程中还经常被打断。我们团队从 Karpathy 的 AutoResearch 出发，经过三次架构重构，搭建出一套可在企业云端训练平台使用的算法研究自进化系统：系统从单线程 LOOP 探索升级为 CyclicGraph Engine 图探索架构，用状态机保证长周期运行的稳定性，并通过“业务知识库 + 真实大闭环 + 经验自动沉淀”实现系统自进化、越用越好用。 在结构、目标与场景均不相同的两个业务建模项目中，单任务完成耗时较人工基线分别减少约 85% 与 83%，其中一个算法模型已将系统自主推导的方案推全上线，并取得线上收益；另一个多目标项目中，系统产出的方案在全部 12 个预估目标上同时超过人工基线。两个项目唯一的共同点是同一套系统架构，说明增益来自架构本身。本文分享这套系统的设计理念、架构演进与可信度设计，希望对大家有所帮助或启发。 一个算法工程师的典型工作流是：修改代码、推送代码、提交训练、等待、查看日志提取指标、与上一轮对比