AgentSquare：模块化设计空间中的 LLM 智能体自动搜索

基于摘要分析。本研究针对 LLM 智能体依赖人工、任务特定设计而难以适应新任务的问题，提出 Modularized LLM Agent Search（MoLAS），并以 AgentSquare 框架自动搜索模块化智能体架构；研究对象是通用 LLM 智能体，而非 EEG 信号建模或 BCI 解码。 方法将既有智能体设计抽象为 Planning、Reasoning、Tool Use 和 Memory 四类模块，并采用统一输入输出接口。AgentSquare 通过模块演化与重组探索设计空间，再利用基于 in-context surrogate models 的性能预测器跳过潜力较低的候选设计。其核心思路是复用既有设计中的模块，并减少对低收益候选的评估；模块如何演化、预测器需要哪些历史评估信息，以及实际节省多少搜索开销，尚未验证。 作者报告，在覆盖 web、embodied、tool use 和 game 场景的六个基准上，相对所比较的最佳已知人工设计，平均性能增益为 17.2%。摘要未交代各基准名称、指标、增益计算方式、搜索预算及基线配置，因此不能将该数值解释为 Accuracy 提升或百分点变化，也不能据此判断等预算下的优势。作者还报告可从搜索结果中提取可解释的设计见解，但其分析方式、消融及统计信息尚未验证。摘要提供了代码仓库链接，具体复现条件仍需核对实现与全文。 平台推测（待验证）：该机制可能适用于调用 EEG 分析工具的 LLM 智能体工作流搜索，而非直接替代信号解码模型。可复用模块接口与搜索框架，但需改造工具封装、任务评价和性能预测器，且依赖可重复执行的工具及足够的候选评估记录。低信噪比、跨被试与通道差异、小数据条件可能使候选排序不稳定，并使搜索偏向特定数据。一个可证伪的小实验是在固定 EEG 数据划分、工具集合和调用预算下，对比自动搜索与人工固定工作流，再在独立被试上检验任务指标及成本是否改善；已有 EEG 相关工作尚未检索确认。