Automating the Design of Embodied Agent Architectures
具身智能体架构设计的自动搜索
🧭 Agent 自动化架构搜索
Australian Institute for Machine Learning, University of Adelaide
首次系统评估在具身模拟环境中用架构搜索自动化设计Agent，揭示噪声与局部最优等局限
📌 工作参考价值
- 架构搜索范式可迁移：将 Agent 设计视为图编辑任务，用“提议-批判-实验-蒸馏”循环自动优化，可用于电商推荐 Agent 的模块组合（如召回/排序/记忆/工具调用），减少人工试错。
- 类型化图运行时：AgentCanvas 把 Agent 表示为可编辑节点-连线程序，支持带类型校验的执行和回滚，类似思路可用于搭建推荐系统 Agent 的可视化编排与自动搜索。
- 关注搜索噪声与局部最优：具身环境中 rollout 噪声会掩盖真实信号，导致搜索陷入局部编辑盆地，提示我们在业务 Agent 架构搜索中需设计鲁棒的评估策略，如多次采样平滑、引入对抗验证。
- 引入反思机制：KDLoop 在优化停滞时触发反思，可借鉴到电商 Agent 的持续优化中，当线上指标不再提升时，自动回溯日志、重提假设，防止过早收敛。
动机：具身智能体通常由感知、记忆、规划、动作模块手工组合，架构设计空间巨大且依赖专家直觉。文本域 Agent 架构搜索（AAS）已出现，但未在具身模拟器环境中通过 rollout 系统评估。本文探索将 AAS 迁移至具身场景。
方法关键点：
- AgentCanvas：一个类型化图运行时，将具身执行器表示为可编辑的节点-连线程序，支持模拟器感知执行和 episode 级日志记录。
- KDLoop：一种编码智能体搜索流程，循环进行提议新架构、批判弱点、实验验证、蒸馏知识，并在优化停滞时触发反思，重新审视历史假设。
- 在视觉语言导航、具身问答、语言条件操作等四个具身执行器上，测试三种 AAS 变体（手工基线、随机搜索和 KDLoop），形成 3×4 矩阵评估。
关键结果：架构级搜索可产生可部署且成功率方向性提升的具身 Agent，如将成功率从 34% 提升至 41%（相对提升约 20%）；但发现一个表面高分候选因泄露环境信息被拒绝。实验同时暴露文本域 AAS 中不显著的约束：优化信号被 rollout 噪声掩盖、搜索易陷入局部编辑盆地，以及即便有详细日志，episode 级信用分配仅部分浮现。