该论文介绍了 AutoDesign，这是一个采用元工具链优化器来指导代码代理根据 rollout 反馈递归改进其工具链的框架。作者在新构建的 PosterBench 基准上评估了该方法在学术论文到海报生成任务上的表现。

  • AutoDesign 在 PosterBench Main Track 上取得 78.32 分，超越 Claude Design 7.45 分。
  • 集成学习到的 DesignHarness 使七种代码代理模型配置下的平均 PosterBench 分数从 54.99 提升至 67.39。
  • 在完全自主循环中，系统在 40 分钟内、花费不到 3 美元的情况下执行了 253 次工具调用和 11 轮编辑。
  • 一项对系统盲态的人类研究表明，AutoDesign 在被评估系统中获得了最高的人类偏好评分。

作者认为这很重要，因为它展示了与人类设计先验对齐并积累可复用经验如何推动长周期智能体过程中的递归自我改进。