HyperAgents快速上手：5步搭建自改进智能体实验环境（含Docker部署完整教程）

HyperAgents快速上手：5步搭建自改进智能体实验环境（含Docker部署完整教程）

【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents

HyperAgents是一款能针对任意可计算任务进行自我优化、自我改进的 AI 智能体框架（Self-referential self-improving agents）。本文带你用 5 个步骤，从零搭建自改进智能体实验环境，并完整覆盖HyperAgents Docker 部署教程，新手也能快速跑通第一个自我进化循环。

🧠 什么是 HyperAgents？

简单来说，HyperAgents 由两类智能体协作完成"进化"：

• 任务智能体（Task Agent）：直接解决目标任务（写代码、答题、做证明等）
• 元智能体（Meta Agent）：负责观察并修改任务智能体本身，让它一代比一代更强

两者通过generate_loop.py主循环驱动，按"代数"（generation）不断选择父代、生成子代、评估打分，结果保存在outputs/目录中。核心实现可参考 meta_agent.py 与 task_agent.py，模型调用封装在 agent/ 目录。

⚠️安全提示：本仓库会执行模型生成的不可信代码，官方提醒请留意相关安全风险，详见 README.md 的 Safety Consideration 章节。

📋 环境准备：克隆仓库

第一步，把代码克隆到本地（需要 Python 3.12 与 Docker）：

git clone https://gitcode.com/gh_mirrors/hy/HyperAgents cd HyperAgents

仓库结构一览（详细文件说明见 README.md）：

目录 / 文件	作用
agent/	大模型调用与工具（bash、edit）封装
domains/	各任务领域（评测环境、数据集、报告）
analysis/	结果绘图与分析脚本
utils/	Docker、Git、日志等通用工具
generate_loop.py	自我改进主循环入口
setup_initial.sh	初始化第一代智能体脚本
Dockerfile	实验环境镜像定义

第 1 步：配置 LLM API 密钥

HyperAgents 依赖大模型驱动智能体行为，在项目根目录创建.env文件，填入你使用的模型密钥（至少配置一个）：

OPENAI_API_KEY=... ANTHROPIC_API_KEY=... GEMINI_API_KEY=...

密钥通过 agent/llm.py 和 agent/llm_withtools.py 接入，底层使用litellm（见 requirements.txt）统一调用多家模型。

第 2 步：安装系统依赖

Linux 环境需先安装编译与绘图依赖（Fedora 系示例，Debian/Ubuntu 请换成apt对应包名）：

sudo dnf install -y python3.12-devel sudo dnf install -y graphviz graphviz-devel cmake ninja-build bzip2-devel zlib-devel ncurses-devel libffi-devel

如果你走 Docker 部署，系统依赖会由 Dockerfile 自动处理，可跳过此步。

第 3 步：创建虚拟环境并构建 Docker 镜像

# 创建并激活虚拟环境 python3.12 -m venv venv_nat source venv_nat/bin/activate # 安装 Python 依赖 pip install -r requirements.txt pip install -r requirements_dev.txt # 构建 Docker 实验镜像 docker build --network=host -t hyperagents .

🐳 Docker 部署完整教程

Dockerfile 基于nvidia/cuda:13.0.0-devel-ubuntu22.04官方镜像构建，内置了实验所需的一切：

• Python 3.12（通过 deadsnakes PPA 安装并设为默认python）
• PyTorch CUDA 版本（cu130 索引源，支持 Genesis 机器人训练）
• headless 渲染环境：PYOPENGL_PLATFORM=egl+xvfb，无显卡界面也能跑可视化
• CUDA 修复脚本Dockerfile#L78-L127：容器启动时自动修复libcuda.so符号链接问题
• 工作目录为/hyperagents，默认命令tail -f /dev/null保持容器常开

构建完成后，启动一个交互式容器：

docker run --gpus all -it --rm -e ENV_FILE=$(pwd)/.env \ -v $(pwd):/hyperagents hyperagents bash

💡 无 GPU 机器可以去掉--gpus all；仅跑paper_review、search_arena等纯文本域时无需 GPU。

第 4 步：初始化第一代智能体

运行初始化脚本，为所选领域生成基线（第一代）智能体并完成首轮评测：

bash ./setup_initial.sh

setup_initial.sh 中默认启用paper_review领域，其他领域（balrog、genesis、imo、polyglot 等）以注释形式提供，按需取消注释即可。脚本会依次调用domains.harness跑样本评测，并用domains.report生成报告，结果写入outputs/下的initial_*目录。

第 5 步：启动自我改进主循环

一切就绪，一条命令启动进化循环：

python generate_loop.py --domains paper_review

常用参数速查（完整参数见 generate_loop.py#L1026-L1154）：

参数	说明	默认值
--domains	目标任务领域（必填，可多选）	—
--max_generation	最大进化代数	10
--eval_samples	每个领域的评测样本数（-1 为全量）	全部
--parent_selection	父代选择策略	score_child_prop
--run_baseline	运行对比基线（如 DGM）	无
--resume_from	从已有输出目录断点续跑	无

主循环会在 Docker 容器内执行编译检查与补丁应用（工具逻辑见 utils/docker_utils.py、utils/gl_utils.py），每代结果自动保存到outputs/并生成进度图。

🎯 支持的任务领域

HyperAgents 的"任意可计算任务"由 domains/ 下的插件化环境实现，内置 10+ 领域：

• 文本推理类：paper_review（论文评审）、search_arena（搜索问答）、imo_grading/imo_proof（IMO 数学证明）
• 游戏环境类（Balrog）：balrog_babyai、balrog_babaisai、balrog_minihack、balrog_nle（NetHack 文字游戏，像素素材见下方图集）
• 具身控制类：genesis_go2walking等四足机器人任务（需 GPU）
• 软件工程类：polyglot（多语言代码修复）

▲ Balrog 领域中 NLE（NetHack）游戏环境的像素图标素材集，展示智能体需要学会的评测世界

各领域的配置见对应目录下的config.yaml（如 domains/balrog/config/config.yaml）。

📊 查看实验结果与分析

跑完循环后，outputs/<run_id>/中保存了完整的进化档案（archive.jsonl），可以用 analysis/ 中的脚本快速可视化：

• analysis/plot_progress.py：绘制各代分数提升曲线
• analysis/visualize_archive.py：可视化智能体进化档案
• analysis/plot_comparison.py：与 DGM 等基线对比

此外，ensemble.py 可从档案中挑选最高分智能体做集成推理，select_next_parent.py 提供独立的父代选择策略实验。

✅ 常见问题速查

问题	解决方法
docker build失败	确认本机 Docker 已启动；使用--network=host参数
容器中找不到 CUDA	镜像自带fix-cuda.sh自动修复；物理机需安装 NVIDIA 驱动
初始化脚本报权限/网络错误	检查.env密钥是否正确，网络能否访问模型 API
想换评测领域	编辑 setup_initial.sh 取消对应注释，再改--domains参数

按照以上 5 步，你就完成了HyperAgents 自改进智能体实验环境的搭建：从克隆、配置密钥、Docker 构建，到初始化与启动进化循环。建议先用默认的paper_review领域跑通全流程，再逐步解锁游戏与机器人等更复杂的领域 🚀

【免费下载链接】HyperAgentsSelf-referential self-improving agents that can optimize for any computable task项目地址: https://gitcode.com/gh_mirrors/hy/HyperAgents