2026/9/1 9:01:18
FEATURED · 精选文章 
SIA agent_reference 完全指南从 default 到多文件目录种子代码【免费下载链接】siaSIA is a Self Improving AI framework to autonomously improve the performance of any AI system (Model / Agent) on a benchmark task.项目地址: https://gitcode.com/GitHub_Trending/sia4/siaSIASelf-Improving AI是一个能让 AI 系统模型 / Agent在基准任务上自主迭代的自改进 AI 框架。它的核心机制是Meta Agent 生成一个 Target AgentFeedback Agent 根据执行日志持续改写、优化这个 Agent。那么 Target Agent 第一代的起点从哪里来答案就是 profile 里的agent_reference字段——它一次性决定了两件事可改进的种子代码seed code从哪里取以及依赖包requirements.txt如何随代际演化。本文用最少的心智负担讲清agent_reference的 3 种写法、每种写法的运行时行为以及如何从零写一个自己的 profile。一张表看懂agent_reference 的 3 种模式agent_reference定义在 target agent 的 profile JSON 中例如 sia/defaults/profiles/default-target.json解析逻辑集中在 sia/agent_reference.py。写法模式种子代码如何进入 Agent依赖处理default任务包内置参考逐字嵌入 Meta Agent 提示词参考目录内的requirements.txt可选随代际携带{source: ./my_agent.py}单文件种子文件文本逐字嵌入提示词无{source: ./my_agent_dir/, entrypoint: main.py}多文件目录种子整个目录复制进每一代的运行目录Agent 用自己的工具读取目录内requirements.txt每代自动安装并携带 关键区别前两种是把代码喂进提示词第三种是把代码放进磁盘让 Agent 自己读。种子大了以后多文件、大依赖第三种方式更省 token、也更灵活。模式一default——零配置起步推荐新手这是 SIA 的历史默认行为也是所有内置 profile 的取值// sia/defaults/profiles/default-target.json { profile_id: default-target, name: Default target agent (Claude Haiku), model: claude-haiku-4-5-20251001, provider_id: anthropic, agent_reference: default }选择default时SIA 会读取当前任务包的reference/目录入口文件固定为reference_target_agent.py。以 gpqa 任务为例种子代码位于 sia/tasks/gpqa/reference/reference_target_agent.py所有任务的公共模板在 sia/tasks/_shared/reference_target_agent.py。运行时的两条行为见 sia/agent_reference.py 中的resolve_agent_reference种子文本逐字嵌入 Meta Agent 的提示词——即第一代的 Target Agent 是在参考代码基础上改出来的若reference/里带有requirements.txt它会被复制进每一代的运行目录与全局基线依赖叠加安装。一句话default 站在任务作者写好的模板上起跑。模式二单文件种子——用你自己的 agent 起跑如果你的任务已经有一个现成的 agent 脚本哪怕很粗糙可以让 SIA 以它为种子// profiles/my-target.json { profile_id: my-target, name: My model with my own seed agent, model: vendor/my-model, provider_id: my-endpoint, agent_reference: { source: ./my_agent.py } }SIA 会把my_agent.py的全文嵌入 Meta Agent 提示词Feedback Agent 之后的每一代都在此基础上迭代改写。注意相对路径source是相对于 profile 文件所在目录解析的不是当前工作目录找不到路径时会直接报错退出。⚠️ 单文件模式没有requirements.txt概念——依赖请写死在文件内部或用全局的Config.VENV_PACKAGES。模式三多文件目录种子——工程化玩法当种子代码是一个小型工程入口 若干 helper 模块时用目录模式{ agent_reference: { source: ./my_agent_dir/, entrypoint: main.py } }这个模式与前面两种有本质不同见 sia/orchestrator.py 中的copy_reference_into调用点每一代运行开始时SIA 把整个my_agent_dir/复制进该代的工作目录提示词不再贴代码而是告诉 Agent参考实现已放在你的工作目录请自己用文件工具读入口main.py和辅助模块然后在同目录写出你的target_agent.py——这段提示词由 sia/prompts.py 构造目录里若存在requirements.txt每一代都会重新安装并把它带入下一代也就是说依赖清单本身也能被 Feedback Agent 逐代优化。entrypoint可省略缺省指向reference_target_agent.py目录里必须存在该入口文件否则 SIA 以agent_reference entrypoint ... not found in ...报错退出。一键上手3 步跑通自定义种子# 1. 克隆仓库 git clone https://gitcode.com/GitHub_Trending/sia4/sia cd sia # 2. 建目录、放种子 mkdir -p profiles cp my_agent.py . # 单文件模式 # mkdir -p my_agent_dir # 或把 main.py 模块 requirements.txt 放进去目录模式 # 3. 写 profiles/my-target.json见上文 JSON然后 export MY_ENDPOINT_API_KEY... sia run --task gpqa --target-agent-profile my-target --max_gen 5 --run_id 1profile 的发现规则内置的在 sia/defaults/profiles/你自己的放./profiles/或用环境变量$SIA_PROFILES_DIR指定新增 profile 只需丢一个 JSON 文件无需改任何代码。产物落在runs/run_{run_id}/gen_{n}/其中target_agent.py是该代 agent、improvement.md是改动理由运行时还会自动在http://127.0.0.1:8000起一个实时看板--no-web可关闭。常见报错速查 报错原因修复agent_reference source not found: ...source路径不存在记住路径是相对 profile 文件解析的核对拼写agent_reference entrypoint main.py not found in ...目录模式缺少入口文件在目录中补齐entrypoint指定的文件agent_reference must be default or an object with a source field字段格式不对只接受字符串default或含source的对象小结agent_reference 种子代码来源 依赖策略是 target agent profile 中唯一描述起点的字段新手直接用default享受任务包内置模板有现成脚本就用单文件source代码成体系、依赖复杂就上多文件目录让requirements.txt与代码一起被逐代改进。延伸阅读docs/architecture.md目录结构与代际流程、docs/configuration.mdprovider / profile 完整字段与 API Key 说明。【免费下载链接】siaSIA is a Self Improving AI framework to autonomously improve the performance of any AI system (Model / Agent) on a benchmark task.项目地址: https://gitcode.com/GitHub_Trending/sia4/sia创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
SIA agent_reference 完全指南：从 “default“ 到多文件目录种子代码
SIA agent_reference 完全指南从 default 到多文件目录种子代码【免费下载链接】siaSIA is a Self Improving AI framework to autonomously improve the performance of any AI system (Model / Agent) on a benchmark task.项目地址: https://gitcode.com/GitHub_Trending/sia4/siaSIASelf-Improving AI是一个能让 AI 系统模型 / Agent在基准任务上自主迭代的自改进 AI 框架。它的核心机制是Meta Agent 生成一个 Target AgentFeedback Agent 根据执行日志持续改写、优化这个 Agent。那么 Target Agent 第一代的起点从哪里来答案就是 profile 里的agent_reference字段——它一次性决定了两件事可改进的种子代码seed code从哪里取以及依赖包requirements.txt如何随代际演化。本文用最少的心智负担讲清agent_reference的 3 种写法、每种写法的运行时行为以及如何从零写一个自己的 profile。一张表看懂agent_reference 的 3 种模式agent_reference定义在 target agent 的 profile JSON 中例如 sia/defaults/profiles/default-target.json解析逻辑集中在 sia/agent_reference.py。写法模式种子代码如何进入 Agent依赖处理default任务包内置参考逐字嵌入 Meta Agent 提示词参考目录内的requirements.txt可选随代际携带{source: ./my_agent.py}单文件种子文件文本逐字嵌入提示词无{source: ./my_agent_dir/, entrypoint: main.py}多文件目录种子整个目录复制进每一代的运行目录Agent 用自己的工具读取目录内requirements.txt每代自动安装并携带 关键区别前两种是把代码喂进提示词第三种是把代码放进磁盘让 Agent 自己读。种子大了以后多文件、大依赖第三种方式更省 token、也更灵活。模式一default——零配置起步推荐新手这是 SIA 的历史默认行为也是所有内置 profile 的取值// sia/defaults/profiles/default-target.json { profile_id: default-target, name: Default target agent (Claude Haiku), model: claude-haiku-4-5-20251001, provider_id: anthropic, agent_reference: default }选择default时SIA 会读取当前任务包的reference/目录入口文件固定为reference_target_agent.py。以 gpqa 任务为例种子代码位于 sia/tasks/gpqa/reference/reference_target_agent.py所有任务的公共模板在 sia/tasks/_shared/reference_target_agent.py。运行时的两条行为见 sia/agent_reference.py 中的resolve_agent_reference种子文本逐字嵌入 Meta Agent 的提示词——即第一代的 Target Agent 是在参考代码基础上改出来的若reference/里带有requirements.txt它会被复制进每一代的运行目录与全局基线依赖叠加安装。一句话default 站在任务作者写好的模板上起跑。模式二单文件种子——用你自己的 agent 起跑如果你的任务已经有一个现成的 agent 脚本哪怕很粗糙可以让 SIA 以它为种子// profiles/my-target.json { profile_id: my-target, name: My model with my own seed agent, model: vendor/my-model, provider_id: my-endpoint, agent_reference: { source: ./my_agent.py } }SIA 会把my_agent.py的全文嵌入 Meta Agent 提示词Feedback Agent 之后的每一代都在此基础上迭代改写。注意相对路径source是相对于 profile 文件所在目录解析的不是当前工作目录找不到路径时会直接报错退出。⚠️ 单文件模式没有requirements.txt概念——依赖请写死在文件内部或用全局的Config.VENV_PACKAGES。模式三多文件目录种子——工程化玩法当种子代码是一个小型工程入口 若干 helper 模块时用目录模式{ agent_reference: { source: ./my_agent_dir/, entrypoint: main.py } }这个模式与前面两种有本质不同见 sia/orchestrator.py 中的copy_reference_into调用点每一代运行开始时SIA 把整个my_agent_dir/复制进该代的工作目录提示词不再贴代码而是告诉 Agent参考实现已放在你的工作目录请自己用文件工具读入口main.py和辅助模块然后在同目录写出你的target_agent.py——这段提示词由 sia/prompts.py 构造目录里若存在requirements.txt每一代都会重新安装并把它带入下一代也就是说依赖清单本身也能被 Feedback Agent 逐代优化。entrypoint可省略缺省指向reference_target_agent.py目录里必须存在该入口文件否则 SIA 以agent_reference entrypoint ... not found in ...报错退出。一键上手3 步跑通自定义种子# 1. 克隆仓库 git clone https://gitcode.com/GitHub_Trending/sia4/sia cd sia # 2. 建目录、放种子 mkdir -p profiles cp my_agent.py . # 单文件模式 # mkdir -p my_agent_dir # 或把 main.py 模块 requirements.txt 放进去目录模式 # 3. 写 profiles/my-target.json见上文 JSON然后 export MY_ENDPOINT_API_KEY... sia run --task gpqa --target-agent-profile my-target --max_gen 5 --run_id 1profile 的发现规则内置的在 sia/defaults/profiles/你自己的放./profiles/或用环境变量$SIA_PROFILES_DIR指定新增 profile 只需丢一个 JSON 文件无需改任何代码。产物落在runs/run_{run_id}/gen_{n}/其中target_agent.py是该代 agent、improvement.md是改动理由运行时还会自动在http://127.0.0.1:8000起一个实时看板--no-web可关闭。常见报错速查 报错原因修复agent_reference source not found: ...source路径不存在记住路径是相对 profile 文件解析的核对拼写agent_reference entrypoint main.py not found in ...目录模式缺少入口文件在目录中补齐entrypoint指定的文件agent_reference must be default or an object with a source field字段格式不对只接受字符串default或含source的对象小结agent_reference 种子代码来源 依赖策略是 target agent profile 中唯一描述起点的字段新手直接用default享受任务包内置模板有现成脚本就用单文件source代码成体系、依赖复杂就上多文件目录让requirements.txt与代码一起被逐代改进。延伸阅读docs/architecture.md目录结构与代际流程、docs/configuration.mdprovider / profile 完整字段与 API Key 说明。【免费下载链接】siaSIA is a Self Improving AI framework to autonomously improve the performance of any AI system (Model / Agent) on a benchmark task.项目地址: https://gitcode.com/GitHub_Trending/sia4/sia创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
