保守式元智能体搜索：非平稳场景下的架构自适应
原始标题 / Conservative Meta-Agent Search: Architecture Adaptation under Non-Stationarity
该研究将元智能体架构搜索建模为带切换代价与硬风险约束的序贯替换问题，提出保守式元智能体搜索（CMAS）方法，并发布MetaInvest-Bench基准用于评估元层面泛化能力。其价值在于提供了一套在非平稳、延迟反馈环境下可审计、可回滚的架构部署流程，并量化了误晋升率等风险指标。
01 摘要
论文将元智能体架构搜索形式化为带切换成本和硬风险约束的序贯现任替换问题，提出CMAS方法，通过配对影子回放和干预式组件归因评估候选架构。实验基于作者设计的MetaInvest-Bench模拟器，在96条流上报告了替代动态预言机遗憾和留出效用两项指标。作者明确声称不主张任何超额收益（alpha），且校准仅针对更新级回放统计量，不保证全效用提升或序列级误差控制。
02 关键点
- CMAS将架构搜索建模为序贯替换，要求候选架构在方差惩罚后的同时评分超过预设边际，并经模拟金丝雀阶段和预定义回滚才晋升。
- 在96条流上，CMAS将归一化平均替代动态预言机遗憾从0.116降至0.104，留出效用从0.44升至0.48，优于最强自适应基线。
- 当额外工作者无价值时，CMAS可收缩至近单智能体团队；其部署推理成本约低6%，但含搜索的总token成本为对比方法中最高。
回到一手来源
阅读原文 ↗AI GENERATED SUMMARY / DISCOVERED BY ARXIV CS.LG