伯克利 Agent Teams 持續自進化研究

優化易陷局部最優

GPU Kernel 優化並非把一段可運行的代碼改快那麼簡單。面對真實生產環境中的 Kernel，編碼 agent 需要在硬件指令、記憶體配置、並行策略和整體架構之間反覆探索，權衡空間相當複雜。

逐漸轉向低上限方案

研究指出，這類 agent 雖然能在初期取得進展，但隨後會逐漸轉向更容易實現、性能上限較低的方案，最終陷入局部最優，難以繼續提升。單一團隊或單一策略的優化路徑，存在明顯天花板。

監督器逐輪重組

伯克利團隊的核心想法是，與其單純增加 agent 數量，不如由中央監督器根據當前瓶頸，逐輪重組 agent 團隊，動態調整角色分工、協作方式與知識管理策略，讓團隊結構跟上優化階段的變化。

多智能體協同探索

透過多個 agent 協同探索不同的優化維度，團隊動態評估與迭代候選方案，突破單一策略的局限，實現更全局的性能提升。該方法將重點從增加 agent 數量，轉移到團隊結構的持續重組之上。