MILO：通过编排式多智能体演化实现执行框架自动发现

MILO（Meta-evolutionary Island Orchestration）是一个让智能体执行框架（harness）与其搜索策略共同演化的框架，包含层级谱系记忆、按岛屿分配的变异智能体和自适应编排器。在 Terminal-Bench 2.1、PaperBench、DeepSWE 三个基准上，MILO 发现的 harness 超过八个现有 harness 和六种搜索方法；用 Opus 4.8 时相对初始 harness 分别提升 12.0%、28.3%、10.3%，而此前最优搜索仅提升 4.5%、18.3%、0%。

此前自动搜索通常只优化 prompt 或技能等单一组件，且策略固定、易陷入局部最优，模型换代后需人工重新设计 harness。MILO 把 harness 与搜索策略一起演化，并用被拒变异作为负证据，在多个基准上稳定超过现有搜索方法，Terminal-Bench 2.1 得分 86.1%，高于官方榜首 83.8%，同时比初始 harness 少用 26% token。

机制上，MILO 在多个岛屿上维护树状层级谱系，记录完整变异历史与被拒方案；每个岛屿有独立变异智能体，依据全局搜索历史和父代反馈重写完整 harness；编排器则通过谱系嫁接、物种分化、变异体重新分配和课程修订来调整搜索方向，使探索与利用不必固定在单一策略上。

对做智能体产品的团队，harness 从依赖人工调优变成可自动搜索的资产，模型升级后可重新跑一遍搜索而非重写；同时 token 用量下降意味着同等任务成本更低。可将该方法用于自有评测集，验证 harness 迁移性与稳定性。

• 在自有 agent 评测集上复现 MILO，比较其发现的 harness 与团队手工调优版本的得分和 token 成本。
• 将 harness 搜索纳入模型升级流程，每次更换基座模型后自动重跑并回归对比。
• 把被拒变异记录为负例库，用于后续搜索的初始化或人工复盘参考。
• 针对特定业务场景构建定制岛屿与课程，测试 MILO 在垂直任务上的泛化表现。

• MILO 在 Terminal-Bench 2.1 上超过官方榜首，但该结果是否使用相同评测协议与提交条件尚未确认。
• EinsteinArena 开放问题上对上界的具体改进数值在证据中被截断，无法核实。
• 证据未说明 harness 搜索的算力、时间与调用成本，自动化是否整体更省资源仍不明确。
• 未提供代码、数据或复现细节，独立复现的可行性待确认。