Conservative Meta-Agent Search: Architecture Adaptation under Non-Stationarity
保守元代理搜索：非平稳环境下的架构自适应
🧭 元代理架构搜索与在线自适应
CMAS通过保守提升、切换成本与风险约束降低在线架构搜索的回归与成本，在96个流上优于最强自适应基线
📌 工作参考价值
- 在线架构变更采用“影子回放”评估：用共同随机数重放历史流量，对新旧架构计算配对分数，能显著减少评估噪声，适合在电商推荐、广告投放等延迟反馈场景中做 A/B 测试前的离线消融。
- 提升门槛加入方差惩罚和切换成本：只有显著优于现任方案才允许上线，避免频繁替换导致系统不稳定。可直接借鉴到电商 Agent 工作流的组件升级策略。
- 模拟金丝雀阶段与自动回滚：小流量试运行并预设指标阈值，失败自动回滚，降低线上风险。适合部署生成式推荐或广告文案生成等高风险模块。
- 当新增组件不贡献价值时收缩到最小有效团队，定期剪枝，可减少推理成本与维护复杂度。
动机：部署的 Agent 系统面临持续漂移、延迟反馈、组件故障和架构切换成本，静态任务套件评估不足以验证元代理设计的在线性能。
方法关键点：CMAS 将架构搜索形式化为顺序更替问题，引入切换成本和硬风险约束。它检索存档架构，提出类型化图编辑；采用共同随机数下的配对影子回放进行评分，组件信用为干预式。提升要求经过校准的方差惩罚同时分数高于预设阈值，并通过模拟金丝雀阶段和预定义回滚进行保护。
关键结果数字：在 96 个流上，CMAS 将归一化平均替代动态预言遗憾从 0.116 降至 0.104，保留效用从 0.44 提升至 0.48（对比最强自适应基线）；部署推理成本降低约 6%，但搜索总 token 成本最高；每次更新假提升率为 3.4%（名义目标 5%）。