🧬 GAN Evolution Engine
"进化即对抗：生成变异，判别优劣，迭代超越"
The GAN Evolution Engine implements a generative adversarial approach to skill evolution. Instead of random mutations, it uses a learned Generator to propose skill modifications and a Discriminator to evaluate their fitness based on runtime metrics and user feedback.
✨ Features
- - 🎲 Generator Network: LLM-powered generation of skill variants (code, prompts, logic)
- ⚖️ Discriminator: Performance-based fitness evaluation (accuracy, speed, user satisfaction)
- 🔁 Adversarial Loop: Generator vs Discriminator co-evolution drives rapid improvement
- 📈 Population Management: Maintains diverse pool of skill variants
- 🚀 Elite Selection: Top-performing variants become candidates for promotion
- 📊 Integration: Seamless integration with
evomap-publish for capsule submission
🏗️ Architecture
CODEBLOCK0
📦 Usage
Quick Start
CODEBLOCK1
CLI Options
| Flag | Description | Default |
|---|
| INLINECODE1 | Target skill to evolve | required |
| INLINECODE2 |
Number of evolution cycles | 10 |
|
--population | Population size per generation | 20 |
|
--elite-ratio | Fraction of elite variants to keep | 0.2 |
|
--mutation-rate | Probability of mutation | 0.1 |
|
--output | Output directory for evolved skills |
evolved/ |
|
--promote | Auto-promote top variants to production | false |
|
--publish | Submit top capsule to EvoMap | false |
🔬 How It Works
1. Population Bootstrap
- - Clone target skill as initial population (population=N)
- Apply random mutations to diversify initial pool
2. Generator Phase
For each generation:
- Parent skill code
- Performance metrics (from Discriminator)
- Mutation strategy (crossover, parameter tuning, prompt refinement)
- - Generate
population variant candidates
3. Evaluation Phase (Discriminator)
For each variant:
- - Deploy in sandbox environment
- Run benchmark suite (accuracy, latency, resource usage)
- Collect user feedback if available
- Compute fitness score = weighted sum:
CODEBLOCK2
4. Selection & Crossover
- - Select top
elite_ratio * population variants - Perform crossover: combine code fragments from 2 parents
- Apply mutations to non-elite variants
- Form next generation population
5. Termination
After
generations cycles:
- - Select best variant (highest fitness)
- Optionally: promote to production (
--promote) - Optionally: create capsule and publish to EvoMap (
--publish)
📊 Example Output
CODEBLOCK3
⚙️ Implementation Details
Files
CODEBLOCK4
Key Functions
- - INLINECODE15
- INLINECODE16 : Clone + mutate initial pool
- INLINECODE17 : One full cycle
- INLINECODE18 : Create new variant
- INLINECODE19 : Return fitness score 0-1
- INLINECODE20 : Top K variants
- INLINECODE21 : Create child
🛡️ Safety & Risk
| Risk | Mitigation |
|---|
| Degenerate Skills | Validation suite runs before evaluation; invalid variants discarded |
| Infinite Loop |
Hard generation limit; timeout per variant (5min) |
|
Performance Regression | Require fitness > baseline before promotion |
|
Code Injection | Sandboxed execution; no network access for variants |
|
Resource Exhaustion | Population size capped at 100; parallel evaluations limited |
🧪 Testing
Run unit tests:
CODEBLOCK5
📜 License
MIT
"Evolution is not random mutation alone; it's the selective amplification of success."🧬 GAN进化引擎
进化即对抗：生成变异，判别优劣，迭代超越
GAN进化引擎采用生成对抗方法实现技能进化。它并非依赖随机变异，而是利用学习型生成器提出技能修改方案，并借助判别器基于运行时指标和用户反馈评估其适应度。
✨ 特性
- - 🎲 生成器网络：基于LLM的技能变体生成（代码、提示词、逻辑）
- ⚖️ 判别器：基于性能的适应度评估（准确率、速度、用户满意度）
- 🔁 对抗循环：生成器与判别器协同进化，推动快速改进
- 📈 种群管理：维护多样化的技能变体池
- 🚀 精英选择：表现最佳的变体成为晋升候选
- 📊 集成：与evomap-publish无缝集成，支持胶囊提交
🏗️ 架构
┌─────────────────┐ ┌──────────────────┐
│ 生成器 │ │ 判别器 │
│ (LLM代理) │────▶│ (性能分析器) │
└─────────────────┘ └──────────────────┘
│ │
▼ ▼
技能变体 适应度评分
│ │
└────────┬───────────────┘
▼
选择与交叉
│
▼
下一代种群
📦 使用指南
快速开始
bash
1. 确保evomap-publish已配置
mkdir -p ~/.evomap
echo node
db2f95ffdba95eb6 > ~/.evomap/nodeid
echo d846e0f269030e8b3eb3ed60472b164b448f8360e578a6392ccc4740d096ba14 > ~/.evomap/node_secret
2. 运行GAN进化循环
python3 scripts/gan_evolution.py --skill <目标技能> --generations 10 --population 20
CLI选项
| 标志 | 描述 | 默认值 |
|---|
| --skill | 待进化的目标技能 | 必填 |
| --generations |
进化循环次数 | 10 |
| --population | 每代种群规模 | 20 |
| --elite-ratio | 保留的精英变体比例 | 0.2 |
| --mutation-rate | 变异概率 | 0.1 |
| --output | 进化后技能的输出目录 | evolved/ |
| --promote | 自动将最佳变体晋升至生产环境 | false |
| --publish | 将最佳胶囊提交至EvoMap | false |
🔬 工作原理
1. 种群引导
- - 克隆目标技能作为初始种群（种群数=N）
- 应用随机变异以增加初始池的多样性
2. 生成器阶段
每代执行：
- 父技能代码
- 性能指标（来自判别器）
- 变异策略（交叉、参数调优、提示词优化）
3. 评估阶段（判别器）
对每个变体：
- - 在沙箱环境中部署
- 运行基准测试套件（准确率、延迟、资源使用）
- 收集用户反馈（如有）
- 计算适应度评分 = 加权和：
适应度 = 0.4 准确率 + 0.3 速度 + 0.3 * 反馈
4. 选择与交叉
- - 选择排名前elite_ratio * population的变体
- 执行交叉：合并两个父体的代码片段
- 对非精英变体应用变异
- 形成下一代种群
5. 终止
经过generations次循环后：
- - 选择最佳变体（最高适应度）
- 可选：晋升至生产环境（--promote）
- 可选：创建胶囊并发布至EvoMap（--publish）
📊 示例输出
第1/10代
种群：20个变体
最佳适应度：0.72 (variant-07)
平均适应度：0.45
生成器耗时：2分13秒
判别器耗时：1分42秒
...
进化完成！🏆
🏆 冠军：variant-43 (适应度=0.89)
📈 提升：较基线提升+22%
🚀 已晋升：skills/evolved/<技能>-v2/
📤 胶囊ID：sha256:abc123... (已发布)
⚙️ 实现细节
文件结构
gan-evolution-engine/
├── SKILL.md # 本文件
├── scripts/
│ ├── gan_evolution.py # 主协调器
│ ├── generator.py # 基于LLM的变体生成
│ ├── discriminator.py # 性能评估
│ ├── population.py # 种群管理
│ └── fitness.py # 适应度计算
└── references/
└── prompts/ # 生成器提示词模板
关键函数
- - GANEvolutionEngine.init(skillpath, population, generations)
- Engine.bootstrappopulation()：克隆+变异初始池
- Engine.rungeneration()：一个完整循环
- Generator.generatevariant(parent, strategy)：创建新变体
- Discriminator.evaluate(variant)：返回0-1的适应度评分
- Population.select_elites()：前K个变体
- Population.crossover(parent1, parent2)：创建子代
🛡️ 安全与风险
| 风险 | 缓解措施 |
|---|
| 退化技能 | 评估前运行验证套件；无效变体被丢弃 |
| 无限循环 |
硬性生成限制；每个变体超时（5分钟） |
|
性能回退 | 晋升前要求适应度高于基线 |
|
代码注入 | 沙箱执行；变体无网络访问权限 |
|
资源耗尽 | 种群规模上限100；并行评估受限 |
🧪 测试
运行单元测试：
bash
python3 -m pytest tests/gan_evolution/ -v
📜 许可证
MIT
进化并非单纯的随机变异，而是对成功的选择性放大。
