ContextEvolve: Multi-Agent-Ansatz optimiert Systemcode mit 33 % mehr Effizienz

Ein neuer Beitrag auf arXiv (2602.02597v1) präsentiert ContextEvolve, ein Multi-Agent-Framework, das die Optimierung von Systemcode auf ein neues Niveau hebt. Durch die Kombination von großen Sprachmodellen mit einer innovativen Agentenarchitektur soll die Suche nach leistungsstarken Algorithmen für Computersysteme automatisiert und gleichzeitig die strengen Anforderungen an Korrektheit und Performance erfüllt werden.

Während große Sprachmodelle bereits plausiblen Code generieren können, erfordert die Erreichung von Systemstandards oft iterative Optimierungen. Testzeit-Reinforcement-Learning bietet hohe Sucheffizienz, ist jedoch an Parameterupdates gebunden, die bei rein API‑basiertem Zugriff nicht möglich sind. Bestehende evolutionäre Verfahren ohne Training nutzen den Kontext ineffizient und führen zu ungerichteter Suche.

ContextEvolve löst diese Probleme, indem es die Optimierungskontext in drei orthogonale Dimensionen aufteilt: ein Summarizer-Agent fasst den semantischen Zustand durch Code‑zu‑Sprache‑Abstraktion zusammen, ein Navigator-Agent extrahiert die Optimierungsrichtung aus Trajektorienanalysen und ein Sampler-Agent kuratiert die Erfahrungsliste mittels priorisierter Exemplare. Diese Orchestrierung bildet eine funktionale Isomorphie zu klassischen RL‑Komponenten – Zustandsrepräsentation, Policy‑Gradient und Experience‑Replay – und ermöglicht eine principielle Optimierung im textuellen Latentraum.

Auf dem ADRS‑Benchmark übertrifft ContextEvolve die führenden Baselines um 33,3 % und reduziert gleichzeitig den Tokenverbrauch um 29 %. Der zugehörige Code steht unter https://anonymous.4open.science/r/ContextEvolve-ACC und ist frei verfügbar.