LLM4AD_Next

说清问题，自动生成并进化出可用算法

开源 🏷️定价信息待确认 ✅ 目前可打开自动化工作流 🍴 复刻 46 🐛 待处理 6 👀 关注 2

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 692

维护状态活跃

是否开源开源

定价模式 🏷️定价信息待确认

项目预览

LLM4AD_Next 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类自动化工作流

开发团队Optima-CityU

官网地址https://llm4ad-next.cn

GitHubhttps://github.com/Optima-CityU/LLM4AD_Next

定价模式🏷️定价信息待确认

价格说明定价信息待确认

访问状态✅ 目前可打开

是否开源是

开源协议BSD-3-Clause

主要语言Python

技术栈/模型alpha-evolve,alphacode,alphaevolve,deepmind,discovery,discovery-loop,evolution-strategies,evolutionary-algorithm,evolutionary-computation,genetic-algorithm,iterative-algorithms,llm,llm-agents,llm4ad,open-evolve,open-loop,openevolve,openloop,optimization

GitHub 星标★ 692

上线时间2026-06-09 00:00:00

代码更新2026-11-03

仓库体积122.0 MB

本站数据更新2026-11-04

维护状态活跃

收录时间2026-09-16

浏览次数1

项目介绍

LLM4AD_Next 是一个面向自动算法设计的下一代开源平台，目标是把原本门槛很高的自动化算法研发变得更容易上手。它把大语言模型与进化搜索、发现循环等机制结合起来，让用户用自然语言描述问题，就能自动生成、评估并迭代优化算法方案，覆盖从假设提出、代码生成到实验验证的完整流程。平台内置 alpha-evolve、alphacode、alphaevolve 等模块，支持进化策略与进化算法驱动的搜索，适合需要快速探索算法空间的研究者和工程师。相比传统手工调参和逐版实现，它把重复的试错交给自动化循环，降低人力成本，也提高了发现新解法的概率。整体定位偏向研究原型与实验平台，强调可访问性和易用性，让没有深厚优化背景的人也能参与自动算法设计。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-09-16 · 当前星标 ★ 692

技术标签

genetic-algorithm llm llm-agents optimization

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 50 分钟部署方式：本地安装 5 步

环境要求

Python 3.10+
模型 API Key
优化任务定义

安装与启动步骤

1克隆仓库

用 LLM 驱动的自动算法设计框架，核心是进化式搜索。
```
git clone https://github.com/Optima-CityU/LLM4AD_Next.git
```
2装依赖

仓库以包形式组织，装完有 CLI 入口。
```
pip install -e .
```
3配模型密钥

算法生成要频繁调模型，费用与迭代轮数成正比。
4先跑最小任务

选一个简单优化问题跑通闭环，再换更难的任务。
5看进化日志

重点看每轮候选算法的评分变化，判断搜索是否有效。