GEPA 相关 AI 资讯 · AI 热点

7月16日

09:48

09:48

官方账号arXiv cs.AI@Wenxiao Wang, Priyatham Kattakinda, Soheil Feizi

大多数智能体优化研究仅测试一次性固定基准，忽略连续优化场景。本文使用Terminal-Bench 2.0的困难任务设计两阶段持续学习评估，对比GEPA、Meta Harness和RELAI-VCL三种方法。静态评估中三者均提升基线（58.7%），但引入新任务后分化明显：RELAI-VCL既正向转移又持续改进，每阶段通过率最高，终身平均达76.4%，远超GEPA（66.0%）、Meta Harness（64.6%）和基线（58.7%）。关键发现是优化增益仅在优化循环内置回归控制时才能累积。

论文 GEPA Meta Harness RELAI-VCL

推荐理由：这篇论文用Terminal-Bench 2.0测试三种Agent优化方法，发现只有RELAI-VCL能持续累积提升，终身平均76.4%远超其他。做智能体持续学习的人必看。

6月19日

00:02

00:02

Gary Marcus@GaryMarcus

精选

Gary Marcus引用Matei Zaharia的研究，神经符号系统在机器人领域击败当前最优方法。该方法采用AI驱动的搜索（类似GEPA的方法），让AI生成AI与代码的混合体。Zaharia认为这类系统效率很高，并在其他应用中也观察到类似效果。该成果展示了神经符号系统在控制与规划方面的优势。

AI模型 Neurosymbolic Systems GEPA Robotics

推荐理由：Gary Marcus分享了Matei Zaharia的神经符号系统研究，用AI搜索在机器人上打败了现有最优方案，值得搞机器人或符号推理的人关注。

6月8日

01:12

01:12

官方一手marktechpost@Sana Hassan

精选

本文介绍使用 GEPA 作为反思式提示进化框架，优化小型语言模型解决多步算术应用题的能力。从弱种子提示开始，构建确定性基准和结构化评估器，返回可操作反馈。多组件设置同时进化指令字段和输出格式规则。最后在保留验证集上比较基线和优化提示，检验泛化能力。该方法展示了如何通过结构化反馈和验证集提升提示质量。

论文提示优化 GEPA 反思式框架

推荐理由：做提示工程和模型微调的开发者，GEPA 框架提供了一种系统化的提示优化方法，比手动调参更高效，值得尝试。

6月3日

01:16

01:16

Philipp Schmid@_philschmid

开发者Phil Schmid分享了一种使用GEPA自动优化任何CLI Agent提示词的方法。GEPA接受任何`(str) -> str`的可调用对象，兼容自定义CLI、本地模型或API Agent。只需将Agent封装在Python函数中，即可让其自我优化提示词。该方法可显著提升Agent的响应质量和效率，减少手动调优的工作量。

AI产品 GEPA 提示词优化 CLI Agent

推荐理由：做Agent开发的团队终于有了自动化提示词优化的工具——GEPA支持任何CLI Agent，封装成函数就能自优化，省去反复手动调参的麻烦，建议试试。

5月30日

23:59

23:59

Harrison Chase@hwchase17

LangChain 宣布与 GEPA 集成，用户现在可以优化 LangChain 链的性能。GEPA 是一个用于优化 AI 工作流的工具，此次集成由开发者 @bryonkuchML 贡献的 PR 实现。该集成允许开发者通过 GEPA 的文档教程，轻松优化 LangChain 链，提升效率。这对于使用 LangChain 构建复杂 AI 应用的团队来说，是一个重要的性能优化手段。

AI产品 LangChain GEPA 性能优化

推荐理由：LangChain 用户现在可以直接用 GEPA 优化链性能，省去手动调优的麻烦，做 AI 工作流的开发者值得一试。