GEAR：一个开放的通用进化架构
用于 LLM 智能体框架的递归自我改进
LLM 智能体框架

1帝国理工学院2, 5独立研究者3杜克大学4香港中文大学6布朗大学

* 同等贡献·† 通讯作者

GPT 5.6 Luna · 性能与进化

01 / 框架任务内 · 跨任务

从经验中学习。
跨任务改进。

GEAR 将递归自我改进组织为一个两级元学习过程。在内循环中，rollout 智能体利用任务反馈来改进其在任务内的推理、规划和行动。

在外循环中，Meta Agent 识别跨任务经验中的常见模式，包括反复出现的失败和有效策略，并提出可复用的改进以提升跨任务性能。GEAR 评估并推广这些变更以用于后续任务。两个循环可以独立优化，并通过经验相互连接。

学习循环 · 任务内与跨任务

动画位置0:00循环

02 / 进化搜索搜索、评估、保留

用于进化搜索的模块化算法。
进化搜索。

GEAR 将进化搜索组织为可替换的算法组件，
为研究不同搜索策略提供了一个通用框架。
Staged GEPA 是一个具体的实例，如下所示。

进化搜索 · Staged GEPA

动画位置0:00循环

可替换的策略模块

逐个组件地打开搜索。

策略边界

01 / 诊断

父代选择

选择下一个要改进的归档框架。Staged GEPA 使用任务级前沿来保留有用的专精者，并从冻结的归档中采样父代。

读取
冻结归档、冠军、任务级证据
产出
用于候选生成的父代框架

可编辑框架提示词与策略工具与钩子技能与工作流上下文管理

策略模块表达了框架的设计边界。当前的阶段性实现将父代选择暴露为公共策略钩子；证据验证、评估阶段和最终推广仍由运行时控制。

03 / 结果在真实任务上测量

更好的框架。
更多已完成的任务。

在编程、营销和支持领域的改进。
同模型对比，并明确标注推理投入程度。

营销 · 任务通过率

27% →40%

GPT 5.6 Luna · medium · DSH Base → Ours

支持 · 任务通过率

17% →25%

GPT 5.6 Luna · medium · DSH Base → Ours

编程 · 任务通过率

52.8% →62.9%

GPT 5.6 Luna · medium · DSH Base → Ours

完整基准测试对比
Harness 对比 · 每组内使用相同模型和相同推理投入
智能体HarnessAutomationBench · 营销 ↑AutomationBench · 支持 ↑Terminal-Bench 2.1 ↑
任务通过率目标完成度任务通过率目标完成度任务通过率
GPT 5.6 LunamediumDSH (Base)27.0%75.4%17.0%72.9%52.8%
DSH (Ours)40.0%83.9%25.0%81.3%62.9%
Δ (pp)+13.0+8.5+8.0+8.4+10.1
GPT 6 AstramaxCodex57.0%84.1%35.0%88.4%86.7%
DSH (Ours)61.0%86.3%39.0%88.7%87.6%
Δ (pp)+4.0+2.2+4.0+0.3+0.9

Δ 是以百分点表示的绝对提升。

AutomationBench 报告任务通过率和目标完成度；Terminal-Bench 2.1 报告任务通过率。Luna max 是在更高推理投入下进行的单独评估。结果数据 ↗

04 / 研究栈一个互联的研究栈

优化。执行。理解。

职责分离，由带版本的证据连接。

GEAR × Hitch × Rear

GEAR 负责管理优化；Hitch 提供带版本的执行与证据；Rear 支持检查与标注。该技术栈旨在支撑更广泛的协同演化研究议程。

开放研究检查。复现。构建。

探索 GEAR。

代码、实验记录，以及开启你自己研究的工具。

05 / 引用引用这项研究

引用 GEAR。

预印本 · 2026 年 10 月。arXiv 链接将在可用时添加。

@unpublished{tang2026gear,
  title  = {{GEAR}: An Open General Evolutionary Architecture for
            Recursive Self-Improvement of {LLM} Agent Harness},
  author = {Tang, Yehui and Zhu, Guanqi and Xia, Shao-Jun and
            Chen, Xin and Geng, Mengzhe and Du, Hongyang and Tang, Yuhao},
  year   = {2026},
  note   = {Preprint},
  url    = {https://github.com/rsi-gear/gear}
}