企业官网建设流程全解析

AntOmniEvo是一个 auto-evolution（自动进化）框架，可以理解成你的「7×24 小时算法工程师团队」：你只需定义系统的可调产物（tunable artifacts）和「什么是好」，框架控制进化循环，AI Agent 负责读失败轨迹、改写文件，最终把优化后的可调产物交付给你。本文带你从零开始，完成 AntOmniEvo 的安装、组件拼装，并成功调用optimize()跑通第一次优化。

一、先搞懂：AntOmniEvo 到底优化什么？

AntOmniEvo 把系统中的可调部分抽象成一目录真实文件——Agent 的SKILL.md+ 参考资料、workflow 的pipeline.json+ 节点脚本、甚至单文件算法。凡是能表示成文件目录、又能被重复打分的系统，它都能优化。

分工非常明确，这也是跑通它之前必须建立的认知：

一句话：优化 = 让 AI Agent 像人一样改文件，框架保证改得越来越好。

二、安装前的环境要求

📌 只需要一个条件：Python ≥ 3.10（见 pyproject.toml）。核心依赖只有pydantic、httpx、tenacity、pyyaml，无需编译扩展，pip install即可，纯 Python 包，跨平台零门槛。

三、一键安装 AntOmniEvo 框架

clone 仓库后（git clone https://gitcode.com/gh_mirrors/an/AntOmniEvo），在仓库根目录执行：

cd antomnievo pip install -e . # 核心框架

按需加装可选能力（完整清单见 docs/quickstart.zh-CN.md）：

pip install -e ".[rag]" # 可选：LangGraph / RAG 场景 pip install -e ./visualizer && cd visualizer && npm install # 可选：可视化器 npm install -g @mariozechner/pi-coding-agent # 可选：pi CLI，仅 PiCodingAgentProposer 需要

⚠️ 两个内置Proposer依赖外部 CLI：PiCodingAgentProposer需要pi命令，ClaudeCodeProposer需要claude命令——按你手上有的 CLI 二选一即可。你的System/Evaluator若调用自己的运行时，也需自行安装，AntOmniEvo 不管理它们。

四、选一个参照实现：example/ 目录

AntOmniEvo 是框架而非工具，你需要写一个入口脚本把组件串起来。antomnievo/example/ 下每个脚本都是针对一种系统形态的参照实现（详见 example/README.md）：

注意：example 脚本各自依赖外部数据集与运行时（如terminalbench2、birdtest等独立代码仓），开箱不能直接跑——它们是用来学结构的，忽略其中硬编码路径即可。运行方式统一为python -m antomnievo.example.<module_path>。

五、入口脚本解剖：7 个组件如何拼成一局

以 agentic_rag_internal.py 为例，所有入口脚本都是同一个形状：加载 train/val 数据 → 建带时间戳的 workspace → 构造组件 → 调await optimizer.optimize()。

store = LocalCandidateStore(workspace_dir) # 候选落盘 + 断点续跑 ea = ParetoFrontierEvolutionAlgorithm( candidate_store=store, max_candidate_num=5) # 进化算法 system = ReactAgentSystem(...) # 你的系统（换自己的） evaluator = AtomicFactEvaluator(...) # 打分器（换自己的） proposer = ClaudeCodeProposer(...) # 干活的 coding agent optimizer = Optimizer( system=system, proposer=proposer, evaluator=evaluator, evolution_algorithm=ea, candidate_store=store, train_dataset=train_dataset, val_dataset=val_dataset, batch_size=10, budget=Budget(max_iterations=1000), num_proposals=2, ) await optimizer.optimize()

每个组件的定位：

• System：实现interface/system.py的System抽象类，_run()方法吃了「候选可调产物 + 一条数据」，吐出 trajectory + 输出，concurrency参数控制并行度；
• Evaluator：给输出打 0–1 分，它的打分标准就是你的优化目标；
• Proposer：两阶段 coding agent（先分析失败轨迹、再变异产物），必须回指失败证据，保证每次改动可追溯；
• Budget：budget.py 定义了四个正交硬上限（max_iterations/max_rollouts/max_tokens/max_elapsed_seconds），任一为None即该轴不限——第一次跑建议只设max_iterations，跑通最重要；
• CandidateStore：所有候选、运行、分析、changelog 全部落盘到workspace/，支持任意时刻中断后从 checkpoint 续跑（checkpoint-resume.zh-CN.md）。

六、调用 optimize()：第一次进化循环发生了什么？

核心实现在 optimizer.py 的optimize()方法，跑起来后按这个顺序工作：

1. 建立 root 候选：把initial_artifacts_dir指向的初始可调产物注册为 root，并在验证集上评出baseline_avg_score——这是之后所有改进的基准线；
2. 并发进化：num_proposals个 slot 同时工作，每个 slot 由进化算法select()挑一个候选 → Proposer 读失败轨迹、改写产物生成子候选 → 子候选在训练 batch 上评估 → 分数达标才被接受进种群；
3. 预算耗尽即软停止：任一预算维度触顶后不再开新 slot，在飞 slot 排空后优雅退出；
4. 可中断可续跑：Ctrl+C中断后，用同一 workspace 重启会读到statistics.root_candidate_id，自动走 resume 分支继续。

七、验证第一次优化的结果

跑完后不用看日志猜——workspace 里的文件就是答案（完整归因指南见 docs/workspace-artifacts.zh-CN.md）：

八、用可视化器「看见」进化过程

AntOmniEvo 自带一个 React + Flask 可视化器（docs/visualizer.zh-CN.md），从 workspace 目录直接渲染整个进化过程：

pip install -e ./visualizer cd visualizer && npm install antomnievo-visualizer-manage start --workspace /path/to/workspace/<run>

打开http://localhost:5173，进化种群会以「Lobster Gym 龙虾健身房」的形式呈现——候选个体按分数分层归入不同房间，最优的在顶层 Golden Hall：

Lineage Tree 标签页展示全部候选的父子关系树，每个节点标注分数、相对 root 的变化和等级徽章，一眼看清「最优候选是怎么从 root 演化出来的」：

Stats 标签页给出最优平均分随迭代变化的曲线和运行级计数（迭代进度、种群规模、创建/拒绝数、总耗时），确认第一次optimize()是否在持续进步：

总结

跑通 AntOmniEvo 第一次优化只需四步：安装（pip install -e .）→抄参照（从 example/ 挑一个换掉System/Evaluator/数据/Schema/初始产物）→调await optimizer.optimize()→看statistics.json和可视化器确认进步。之后就可以正式把优化目标交给你自己的「7×24 算法工程师团队」了。更多特性（Mara 链深度修复、micro-pareto 选择等）可继续读 docs/features.zh-CN.md 与 docs/system-design.zh-CN.md。