Resumen: Los modelos de lenguajes grandes (LLM) se utilizan cada vez más para desarrollar programas y sistemas multiagente, sin embargo, la mayoría de los enfoques existentes se basan en mutaciones basadas en sobrescritura que mantienen solo un candidato a la vez. Dichos métodos descartan variantes útiles, sufren ediciones destructivas y exploran un espacio de búsqueda frágil y propenso a fallas estructurales. Presentamos EvoLattice, un marco que representa una población completa de programas candidatos o comportamientos de agentes dentro de un único gráfico acíclico dirigido. Cada nodo almacena múltiples alternativas persistentes y cada ruta válida a través del gráfico define un candidato ejecutable distinto, lo que genera un gran espacio de búsqueda combinatoria sin duplicar la estructura. EvoLattice permite una evaluación detallada a nivel de alternativa al calificar cada alternativa en todos los caminos en los que aparece, produciendo estadísticas que revelan cómo las elecciones de diseño local afectan el desempeño global. Estas estadísticas proporcionan una señal de retroalimentación densa basada en datos para la mutación, recombinación y poda guiadas por LLM, al tiempo que preservan los componentes exitosos. La corrección estructural está garantizada por un mecanismo determinista de autorreparación que impone la aciclicidad y la coherencia de la dependencia independientemente del LLM. EvoLattice se extiende naturalmente a la evolución de los agentes al interpretar las alternativas como fragmentos rápidos o comportamientos de subagentes. A través de la síntesis de programas (metaaprendizaje proxy y optimizador), EvoLattice produce una evolución más estable, mayor expresividad y trayectorias de mejora más sólidas que los métodos anteriores guiados por LLM. La dinámica resultante se asemeja a una optimización de la diversidad de calidad, que emerge implícitamente de la representación multialternativa interna de EvoLattice en lugar de un archivo externo explícito.
Publicado originalmente en export.arxiv.org el 16 de diciembre de 2025.
Ver fuente original
