OpenEvolve

**🧬 最先进的开源进化编码智能体** *将你的大语言模型转变为能发现突破性算法的自主代码优化器*

[🚀 **快速开始**](#快速开始) • [**示例**](#示例画廊) • [**系统消息**](#编写有效的系统消息) • [**讨论**](https://github.com/algorithmicsuperintelligence/openevolve/discussions) *从随机搜索到最先进水平：实时观看你的代码进化*

为什么选择 OpenEvolve？

OpenEvolve 与手动优化对比：

已验证的成就

🚀 快速开始

30 秒内从零开始进化代码：

# 安装 OpenEvolve
pip install openevolve

# 示例默认使用 Google Gemini（有免费层级）
# 从以下地址获取你的 API 密钥：https://aistudio.google.com/apikey
export OPENAI_API_KEY="your-gemini-api-key"  # 是的，使用 OPENAI_API_KEY 环境变量

# 运行你的第一次进化！
python openevolve-run.py examples/function_minimization/initial_program.py \
  examples/function_minimization/evaluator.py \
  --config examples/function_minimization/config.yaml \
  --iterations 50

注意： 示例配置默认使用 Gemini，但你可以通过修改 config.yaml 来使用任何 OpenAI 兼容的提供商。查看 配置 了解完整的配置选项。

库使用方式

OpenEvolve 可以作为库使用，无需任何外部文件：

from openevolve import run_evolution, evolve_function

# 内联代码进化（无需文件！）
result = run_evolution(
    initial_program='''
    def fibonacci(n):
        if n <= 1: return n
        return fibonacci(n-1) + fibonacci(n-2)
    ''',
    evaluator=lambda path: {"score": benchmark_fib(path)},
    iterations=100
)

# 直接进化 Python 函数
def bubble_sort(arr):
    for i in range(len(arr)):
        for j in range(len(arr)-1):
            if arr[j] > arr[j+1]:
                arr[j], arr[j+1] = arr[j+1], arr[j] 
    return arr

result = evolve_function(
    bubble_sort,
    test_cases=[([3,1,2], [1,2,3]), ([5,2,8], [2,5,8])],
    iterations=50
)
print(f"进化后的排序算法：{result.best_code}")

更喜欢 Docker？ 查看 安装与设置 部分了解 Docker 选项。

实际效果展示

// 标准注意力实现
kernel void attention_baseline(/* ... */) {
    // 通用矩阵乘法
    float sum = 0.0;
    for (int i = 0; i < seq_len; i++) {
        sum += query[tid] * key[i];
    }
}

// OpenEvolve 发现的优化
kernel void attention_evolved(/* ... */) {
    // 硬件感知的平铺 + 统一内存优化
    threadgroup float shared_mem[256];
    // ... 利用 Apple Silicon 架构的进化算法
}

OpenEvolve 工作原理

OpenEvolve 实现了一个复杂的进化编码管道，远超简单的优化：

核心创新：MAP-Elites + 大语言模型

• 质量-多样性进化：跨特征维度维持多样化的种群
• 基于岛屿的架构：多个种群防止过早收敛
• 大语言模型集成：具有智能回退策略的多个模型
• 工件侧信道：错误反馈改进后续世代

高级功能

完美适用于

🛠 安装与设置

要求

• Python：3.10+
• 大语言模型访问：任何 OpenAI 兼容的 API
• 可选：用于容器化运行的 Docker

安装选项

pip install openevolve

git clone https://github.com/algorithmicsuperintelligence/openevolve.git
cd openevolve
pip install -e ".[dev]"

# 拉取镜像
docker pull ghcr.io/algorithmicsuperintelligence/openevolve:latest

# 运行示例
docker run --rm -v $(pwd):/app ghcr.io/algorithmicsuperintelligence/openevolve:latest \
  examples/function_minimization/initial_program.py \
  examples/function_minimization/evaluator.py --iterations 100

成本估算

成本取决于你的大语言模型提供商和迭代次数：

• o3：每次迭代约 $0.15-0.60（取决于代码大小）
• o3-mini：每次迭代约 $0.03-0.12（更具成本效益）
• Gemini-2.5-Pro：每次迭代约 $0.08-0.30
• Gemini-2.5-Flash：每次迭代约 $0.01-0.05（最快且最便宜）
• 本地模型：设置后几乎免费
• OptiLLM：使用更便宜的模型配合测试时计算以获得更好的结果

节省成本的技巧：
- 从较少的迭代次数开始（100-200）
- 使用 o3-mini、Gemini-2.5-Flash 或本地模型进行探索
- 使用级联评估来早期过滤不良程序
- 初始配置较小的种群规模

大语言模型提供商设置

OpenEvolve 适用于任何 OpenAI 兼容的 API：

export OPENAI_API_KEY="sk-..."
# 默认使用 OpenAI 端点

# config.yaml
llm:
  api_base: "https://generativelanguage.googleapis.com/v1beta/openai/"
  model: "gemini-2.5-pro"

export OPENAI_API_KEY="your-gemini-api-key"

# config.yaml
llm:
  api_base: "http://localhost:11434/v1"  # Ollama
  model: "codellama:7b"

# 安装 OptiLLM
pip install optillm

# 启动 OptiLLM 代理
optillm --port 8000

# 将 OpenEvolve 指向 OptiLLM
export OPENAI_API_KEY="your-actual-key"

llm:
  api_base: "http://localhost:8000/v1"
  model: "moa&readurls-o3"  # 测试时计算 + 网络访问

示例画廊

快速示例：函数最小化

观看 OpenEvolve 从随机搜索进化为复杂的优化算法：

# 初始程序（随机搜索）
def minimize_function(func, bounds, max_evals=1000):
    best_x, best_val = None, float('inf')
    for _ in range(max_evals):
        x = random_point_in_bounds(bounds)
        val = func(x)
        if val < best_val:
            best_x, best_val = x, val
    return best_x, best_val

进化过程

# 进化后的程序（模拟退火 + 自适应冷却）
def minimize_function(func, bounds, max_evals=1000):
    x = random_point_in_bounds(bounds)
    temp = adaptive_initial_temperature(func, bounds)

    for i in range(max_evals):
        neighbor = generate_neighbor(x, temp, bounds)
        delta = func(neighbor) - func(x)

        if delta < 0 or random.random() < exp(-delta/temp):
            x = neighbor

        temp *= adaptive_cooling_rate(i, max_evals)  # 动态冷却

    return x, func(x)

性能：收敛速度提升 100 倍！

高级示例

# 问题：寻找最大子数组和
# OpenEvolve 发现多种方法：

# 进化路径 1：暴力法 → Kadane 算法
# 进化路径 2：分治法 → 优化的 Kadane 算法
# 进化路径 3：动态规划 → 空间优化的动态规划

配置

OpenEvolve 为高级用户提供广泛的配置选项：

# 高级配置示例
max_iterations: 1000
random_seed: 42  # 完全可复现性

llm:
  # 集成配置
  models:
    - name: "gemini-2.5-pro"
      weight: 0.6
    - name: "gemini-2.5-flash"
      weight: 0.4
  temperature: 0.7

database:
  # MAP-Elites 质量-多样性
  population_size: 500
  num_islands: 5  # 并行进化
  migration_interval: 20
  feature_dimensions: ["complexity", "diversity", "performance"]

evaluator:
  enable_artifacts: true      # 向大语言模型提供错误反馈
  cascade_evaluation: true    # 多阶段测试
  use_llm_feedback: true      # AI 代码质量评估

prompt:
  # 复杂的灵感系统
  num_top_programs: 3         # 最佳表现者
  num_diverse_programs: 2     # 创造性探索
  include_artifacts: true     # 执行反馈

  # 自定义模板
  template_dir: "custom_prompts/"
  use_template_stochasticity: true  # 随机化提示词