导读：在 AI Agent 爆发的今天，如何让 Agent 不仅仅是一个机械的执行者，而是具备“自我进化”能力的智能体？百度百舸团队开源的 LoongFlow 框架，从王阳明“龙场悟道”中汲取灵感，提出 PES（Plan-Execute-Summarize） 进化范式，实现了 Agent 从“被动工具”到“自主智能”的跃迁。本文将带你深入解读 LoongFlow 的技术原理与实战用法。
💡 缘起：知行合一的 AI 哲学
LoongFlow 的名字源于王阳明“龙场悟道”（Enlightenment at Longchang）。其核心理念在于 “知行合一” ：
- 知（Knowing） ：大模型的认知与规划能力。
- 行（Doing） ：工具的使用与实践验证。
传统的进化算法（Evolutionary Algorithms）往往依赖于“随机变异”，效率低且结果不可控。LoongFlow 试图打破这一瓶颈，通过 “认知指导行动，行动反哺认知” 的闭环，实现定向的认知进化（Directed Cognitive Evolution） 。
🛠️ 核心技术：PES 进化范式
LoongFlow 并没有采用复杂的黑盒魔法，而是抽象出了一套清晰的 PES 三阶段进化流，模拟了人类专家的探索模式：
1. Planner（规划者）：不仅是想，更是“谋”
Planner 不只是简单地拆解任务，它负责全局进化状态的感知。
- 机制：结合采样（Sampling）与进化记忆（Evolutionary Memory） 。
- 作用：它会分析历史的成功与失败，为当前迭代提供“专家级”的改进方向，避免了盲目的随机试错。
2. Executor（执行者）：线性优化与调试
Executor 负责将 Planner 的“想法”落地为“代码”或“方案”。
- 机制：它不仅仅是运行代码，还包含评估（Evaluate）与调试（Debug） 。
- 特点：在 Planner 的指导下，Executor 进行有针对性的线性优化，确保生成的解决方案是可运行且高质量的。
3. Summary（总结者）：经验内化
这是进化的关键。Summary 负责对本轮结果进行复盘。
- 机制：分析新生成的解，提取成功经验与失败教训。
- 产出：将这些信息写入进化记忆，成为下一轮 Planner 决策的依据。
🌟 两大杀手级应用：General-Evolve 与 ML-Evolve
LoongFlow 在架构上非常灵活，目前主要提供了两个核心场景的实现：
1. General-Evolve（通用算法进化）
- 场景：解决数学难题、算法优化、Prompt 优化等。
- 战绩：在陶哲轩（Terence Tao）与 AlphaEvolve 团队提出的数学开放问题集上，LoongFlow 在 11 个问题上打破了之前的最佳已知结果。
- 案例：比如经典的“单位正方形内的圆堆积问题”，LoongFlow 能自动进化出比人类更优的排列解。
2. ML-Evolve（机器学习自动进化）
- 场景：AutoML，自动进行数据理解、模型构建与调优。
- 战绩：在 OpenAI MLE-Bench 基准的 20 个 Kaggle 竞赛中，LoongFlow 斩获了 14 枚金牌。
- 能力：它就像一个 24 小时工作的 Kaggle Grandmaster，自动探索特征工程与模型架构。
💻 快速上手：你的第一个进化 Agent
LoongFlow 基于 Python 3.12+，安装非常便捷。推荐使用 uv 或 conda。
1. 安装
Bash
# 克隆仓库
git clone https://github.com/baidu-baige/LoongFlow.git
cd LoongFlow
# 使用 uv 安装 (推荐)
uv venv .venv --python 3.12
source .venv/bin/activate
uv pip install -e .
2. 运行示例：圆堆积问题
LoongFlow 预置了 packing_circle_in_unit_square 示例。你需要先配置 LLM（推荐 Gemini 3 Pro 或 DeepSeek-R1）。
修改 agents/general_evolve/examples/packing_circle_in_unit_square/task_config.yaml：
YAML
llm_config:
url: "https://api.example.com/v1"
api_key: "sk-xxxxxx"
model: "openai/gemini-3-pro" # 或 deepseek-r1
运行进化任务：
Bash
# 安装依赖
uv pip install -r ./agents/general_evolve/examples/packing_circle_in_unit_square/requirements.txt
# 启动任务
./run_task.sh packing_circle_in_unit_square --background
# 查看实时日志（看着它变强！）
tail -f ./agents/general_evolve/examples/packing_circle_in_unit_square/run.log
3. 自定义你的进化任务
要让 LoongFlow 解决你自己的问题，只需准备三个文件：
task_config.yaml：定义目标、LLM 配置和进化参数（迭代次数、目标分数等）。initial_program.py：提供一个初始代码框架（甚至可以是个空函数，让它填空）。eval_program.py：最关键的部分。你需要写一个评估函数，输入是生成的代码/结果，输出是分数。分数越高，Agent 就知道方向越对。
Python
# initial_program.py 示例
def solve_problem():
"""
在这里写下你的初始思路，或者留空让 Agent 发挥
"""
pass
🏗️ 架构深潜：ReAct 引擎与可扩展性
LoongFlow 的底层是基于 ReAct (Reason-Act-Observe) 范式构建的通用 Agent 引擎。
- 模块化设计：
Reasoner（推理）、Actor（行动）、Observer（观察）、Finalizer（总结）皆为可插拔组件。 - Hook 系统：支持在
pre_run、post_act等各个阶段注入自定义逻辑。 - EvolveAgent：上层的进化 Agent 通过
register_worker接口，可以轻松替换 Planner 或 Executor 的实现。
Python
from evolux.evolve import EvolveAgent
# 初始化 Agent
agent = EvolveAgent(config=config)
# 注册自定义 Worker，实现高度定制
agent.register_planner_worker("planner", MyCustomPlanAgent)
agent.register_executor_worker("executor", MyCustomExecuteAgent)
# 开始进化
await agent()
📝 总结
LoongFlow 不仅仅是一个 AutoML 工具，它展示了一种 Agent 开发的新思路：通过结构化的记忆与反思机制，驯服大模型的不确定性，将其转化为工程上的确定性进化。
如果你正在关注：
- Agent 自主进化
- 复杂算法的自动化搜索
- Kaggle 竞赛的自动化
那么 LoongFlow 绝对值得你 Star 和尝试！
👉 GitHub 传送门: github.com/baidu-baige…
