夜雨聆风如果一个 AI Agent 能连续跑 12 小时实验，它最缺的能力是什么？
不是再多写几段代码，而是知道哪些路走过、哪些坑踩过、什么时候该换方向。
一个自动科研 Agent 的真实瓶颈
现在很多代码 Agent 看起来都很像：读题、写代码、运行、报错、修复，再运行。
这个循环在小任务里够用。但一旦任务变成 Kaggle 风格的机器学习工程（Machine Learning Engineering, MLE），问题就变复杂了。
一个真实的 MLE 任务不是“把 bug 修掉”这么简单。它要决定数据怎么处理、模型用什么、loss 怎么选、训练策略怎么调、要不要 ensemble、提交格式有没有问题，还要在有限时间内不断试错。
这时，Agent 最大的问题不是不会写代码，而是不会组织长期搜索。
今天这篇 MLEvolve: A Self-Evolving Framework for Automated Machine Learning Algorithm Discovery，解决的正是这个问题。它把 LLM Agent 从“单次代码生成器”推进成一个带 搜索图、记忆 和 多种代码编辑模式 的自动 ML 工程系统。
论文最醒目的结果是：在 MLE-Bench 75 个任务上，MLEvolve 用 12 小时预算达到 65.3% 平均 medal rate。官方 README 也把它标为 MLE-Bench 榜单第一。
但这篇真正值得看的，不是这个数字本身，而是它背后的系统设计。
它不是一棵搜索树，而是一张会串门的搜索图
传统 MCTS 很适合解释成一棵树：根节点是初始方案，每个子节点是一次改进，表现好的分支继续往下走，表现差的分支慢慢被放弃。
问题是，机器学习工程不是下棋。不同分支之间经常有可以互相借鉴的经验。
比如一个分支发现“LightGBM 比神经网络稳定”，另一个分支发现“目标变量做 log transform 有帮助”。这两个发现本来应该能合并。但如果搜索结构是一棵硬树，分支之间天然隔离，Agent 很容易在不同分支里重复踩坑。
MLEvolve 的第一个核心模块叫 Progressive Monte Carlo Graph Search（Progressive MCGS）。名字听起来复杂，直觉很简单：别让每条实验路线孤独地跑到底，要允许分支之间共享信息。 这里的关键词是 跨分支流动 和 渐进式收敛。
源码里能看到这个逻辑。SearchNode 不只保存代码，还保存 plan、metric、bug 状态、stage、branch_id、children、reward 等搜索元数据：
PYTHON
@dataclass(eq=False)
class SearchNode(DataClassJsonMixin):
code: str
plan: str
metric: MetricValue
is_buggy: bool
stage: Literal["root", "improve", "debug", "draft", "fusion_draft", "evolution", "fusion"]
visits: int = 0
total_reward: float = 0.0
branch_id: Optional[int] = None这说明 MLEvolve 里的“代码”只是节点的一部分。每个节点同时是一份实验记录：它从哪里来，做了什么改动，结果如何，属于哪个分支，后续还能不能继续扩展。
更关键的是，搜索后期不是一直按普通 UCT 往下走。node_selection.py 里有一个软切换：前期偏探索，后期逐渐转向 Top-K exploitation。
PYTHON
def get_exploration_weight(time_elapsed, total_time,
switch_start=0.5,
switch_end=0.7,
min_weight=0.2):
time_progress = time_elapsed / total_time
if time_progress < switch_start:
return 1.0
elif time_progress < switch_end:
decay_progress = (time_progress - switch_start) / (switch_end - switch_start)
return 1.0 - (1.0 - min_weight) * decay_progress
else:
return min_weight翻译成人话就是：前半程多试方向，中后程逐渐押注表现好的候选。它不像一个只会随机试错的脚本，更像一个比赛工程师：前几小时广撒网，后几小时盯着最有希望的方案打磨。
真正的自进化，靠的是会记笔记
很多 Agent 论文都会说自己有 memory。但 MLEvolve 里的记忆不是聊天记录，而是实验经验。
论文把这部分叫 Retrospective Memory。它包含两层：一层是 cold-start domain knowledge base，用于一开始给任务类型推荐已有经验；另一层是 dynamic global memory，把搜索过程中每个有效节点的 plan、代码摘要、metric、成功/失败标签保存下来。
源码里 GlobalMemoryLayer.save_node() 很直接：
PYTHON
record = MemRecord(
record_id=f"node_{node.id}",
title=f"{node.stage} - {node.id[:8]}",
description=node.plan or "",
method=code_summary,
label=label,
timestamp=timestamp,
)它保存的不是“用户刚才说了什么”，而是一次实验的结构化经验：这个节点是什么阶段、计划是什么、方法摘要是什么、结果标签是什么。
更重要的是，Planner 会用这些记忆来修正下一步计划。planner_with_memory.py 里先生成一个初始 plan，再检索相似的成功记录和失败记录，把它们用于 refine：
PYTHON
similar_success_records = agent_instance.global_memory.retrieve_similar_records(
query_text=query_text,
top_k=2,
label_filter=1,
)
similar_fail_records = agent_instance.global_memory.retrieve_similar_records(
query_text=query_text,
top_k=2,
label_filter=-1,
)这就是 MLEvolve 的“自进化”味道。它不是简单把历史上下文塞进 prompt，而是把历史实验变成可检索、可过滤、可用于规划的经验库。
类比一下，人类 Kaggle 选手也会做类似的事：这个 augmentation 上次有效，那个 loss 上次让验证集崩了，某个后处理策略只在 tabular 任务里有用。MLEvolve 只是把这套经验管理显式写进系统。
停滞之后，不是继续微调，而是换一种进化方式
这篇论文还有一个很实用的判断：不是所有“改进”都应该长一个样。
如果一个分支刚开始跑，普通 improve 就够了。当前方案有 bug，就走 debug。分支卡住了，就应该换策略：要么沿着这个分支的历史轨迹做 evolution，要么从别的分支拿成功经验做 fusion。
在 agent_search.py 里，调度逻辑很清楚：
PYTHON
if is_branch_stagnant(self, parent_node.branch_id, threshold=stagnation_threshold):
if evo_ok and fus_ok:
if random.random() < self.acfg.fusion_vs_evolution_prob:
result_node = fusion_agent.run(self, parent_node)
else:
result_node = evolution_agent.run(self, parent_node)
elif fus_ok:
result_node = fusion_agent.run(self, parent_node)
elif evo_ok:
result_node = evolution_agent.run(self, parent_node)
else:
result_node = improve_agent.run(self, parent_node)这里最关键的词是 stagnant。
一个普通 Agent 看到分数不涨，可能继续让 LLM “try another improvement”。但 MLEvolve 会明确判断：这个分支是不是停滞了？如果停滞，就不要再做小修小补。
improve_agent.py 里的 prompt 也很有意思。它把改动分成三层：Tier 1 是训练细节优化，Tier 2 是组件和表示变化，Tier 3 是系统级范式转移。连续不涨时，它会要求模型别再只调学习率，而要提出 Tier 2 或 Tier 3 的变化。
这很像真实工程里的复盘：如果模型已经连续几轮没有提升，你不能一直说“再调一下 batch size”。你要问的是：是不是模型类型错了？是不是目标建模错了？是不是需要 ensemble、pseudo-labeling 或完全不同的数据流？
代码生成也不是一种模式打天下
MLEvolve 的第三个核心点是 Hierarchical Planning with Adaptive Code Generation。
直觉上，它把“想做什么”和“怎么改代码”拆开。
Planner 先决定要改哪些组件、为什么改、保留哪些东西；Coder 再根据计划实现。这样做的好处是，Agent 不会一边想战略、一边直接大段重写代码，把实验因果关系弄乱。
代码仓库里也能看到三种生成模式：
PYTHON
Each module implements a different code generation strategy:
- base_coder: Single-shot plan + code generation
- stepwise_coder: Multi-agent stepwise generation
- diff_coder: Diff-based code generation最值得注意的是 diff mode。默认配置里它是打开的：
YAML
agent:
steps: 500
time_limit: 43200
use_diff_mode: True
use_stepwise_generation: True
use_evolution: True
use_fusion: True
use_global_memory: True这几个配置其实很能说明系统哲学：12 小时、500 步、开 diff、开记忆、开 evolution、开 fusion。
也就是说，MLEvolve 假设任务是长周期的，代码会反复演化，所以每次都全文重写并不合适。很多时候，更稳的方式是先规划，再局部 patch。
diff_generate_and_apply() 的流程也很工程化：先把 planner 的结构化结果格式化成 improvement plan，再让 LLM 生成 SEARCH/REPLACE 式 diff，最后尝试 apply，失败时重试。
这解决了一个很现实的问题：自动 ML 工程里，代码不是一次性产物，而是一个不断被小心修改的实验对象。
结果为什么强？
论文和官方 README 给出的主结果是：MLEvolve 在 MLE-Bench full set 的 75 个任务上，使用 Gemini-3.1-Pro-preview，12 小时预算，达到 65.3±0.8% average medal rate。
相比很多 24 小时预算的系统，它的一个卖点是时间更短。论文还报告它在数学优化任务上能和 AlphaEvolve 类方法竞争，说明这个框架不只适用于 Kaggle 式 ML pipeline，也能迁移到代码形式的算法优化任务。
不过我更愿意把结果理解为一个系统结论：当任务需要长期实验时，Agent 的能力上限很大程度取决于搜索组织能力，而不是单次代码生成能力。
单次生成能力当然重要。没有强 LLM，代码质量上不去。但在 MLE-Bench 这种任务里，真正拉开差距的往往是：它有没有保存失败经验？会不会避免重复试错？能不能在分支之间迁移思路？到后半程能不能集中资源打磨高分方案？
MLEvolve 给出的答案是：这些都应该变成系统模块，而不是靠 prompt 里一句“be smart”。
需要冷静看的地方
这篇很值得读，但也不能直接理解成“自动机器学习科学家已经来了”。
第一，它的主实验仍然依赖很强的闭环评测环境。MLE-Bench 给了明确任务、数据、提交格式和验证信号。真实科研里，很多问题没有这么清楚的自动评价函数。
第二，它使用的资源并不轻。论文实现细节提到每个任务最多 500 个 expansion steps、12 小时、21 vCPU、234GB RAM 和单张 H200 GPU。对个人开发者来说，这是系统研究，不是轻量工具。
第三，代码里的很多策略本质上还是工程启发式。比如什么时候进入 Top-K exploitation，什么时候触发 fusion/evolution，阈值如何设置，这些都可能影响很大。
但这不削弱它的价值。恰恰相反，它说明自动科研 Agent 的进展并不只来自“模型更聪明”，还来自一整套实验管理、搜索调度和经验复用工程。
从业者能学到什么
如果你在做 coding agent、AutoML agent 或自动实验系统，MLEvolve 至少给出四个启发。
第一，别把 memory 做成聊天记录。 真正有用的记忆应该是实验记录：plan、代码摘要、metric、成功/失败标签、父节点结果。
第二，搜索结构比 prompt 更重要。 单纯让模型“多想想”不够，系统要定义什么时候探索、什么时候利用、什么时候跨分支融合。
第三，代码生成要分模式。 初始方案可以全文生成，成熟方案更适合 diff patch，复杂方案可以 stepwise 拆成数据、模型、训练等模块。
第四，停滞检测应该显式化。 如果分数不涨，系统需要触发更大幅度的策略变化，而不是继续随机微调。
MLEvolve 最有价值的地方，是它把这些经验写成了代码。
它不是在说“LLM 可以替代 Kaggle 工程师”，而是在展示：如果要让 Agent 像一个认真工作的 Kaggle 工程师，它至少要会搜索、会复盘、会记笔记、会在关键时刻换方向。
论文信息
标题：MLEvolve: A Self-Evolving Framework for Automated Machine Learning Algorithm Discovery
作者：Shangheng Du, Xiangchao Yan, Jinxin Shi, Zongsheng Cao, Shiyang Feng, Zichen Liang, Boyuan Sun, Tianshuo Peng, Yifan Zhou, Xin Li, Jie Zhou, Liang He, Bo Zhang, Lei Bai
论文：https://arxiv.org/abs/2606.06473
代码：https://github.com/InternScience/MLEvolve
项目页：https://internscience.github.io/MLEvolve/
分类：cs.AI, cs.CL
关注「论文收割机」，每周为你精选最值得关注的 AI 论文。
