UC Berkeley 论文：Evolving Agent Teams 让编码智能体超越 FlashInfer 单体方案
做 GPU 内核优化或跑智能体集群的朋友可以看下。同样是调 MLA decode，固定 4 角色团队只有 FlashInfer 的 0.31 倍，加了会重组团队的 supervisor 就到 0.74 倍，预算放宽后甚至超过 FlashInfer。写多智能体工作流的人值得对照改设计。
UC Berkeley 发表论文 Evolving Agent Teams，核心发现是：给一组编码智能体加一个会动态重组团队的 supervisor，能突破单智能体在 GPU 内核优化上的停滞期。在 MLA decode 内核任务上，Claude Code 单体方案停滞在 FlashInfer 速度的 0.51 倍。
技术机制上，supervisor 会诊断每次性能停滞的原因，然后重建团队结构，按需发明 profiler、debugger、knowledge integrator 等角色，并用共享文件系统把过往团队积累的经验沉淀下来。相同 token 预算下，该方法在 MLA decode 上达到 FlashInfer 的 0.74 倍，而固定 4 角色团队只有 0.31 倍。
当 token 预算加大后，该方法达到 FlashInfer 速度的 1.21 倍，在 47 个生产级工作负载中的 36 个上胜出。论文给出的实践建议是：长时间高难度优化任务中，应在进度停滞时让 supervisor 重构智能体角色，而不是固守单一配置。
New UC Berkeley paper shows that a supervisor that keeps reorganizing a team of coding agents can beat expert GPU kernels where single agents stall.
Coding agents make fast early progress on GPU kernels, then settle on easier designs and plateau far below expert code. On the MLA decode kernel, Claude Code stalled at 0.51 times FlashInfer's speed.
Evolving Agent Teams adds a supervisor that diagnoses each plateau and rebuilds the team, inventing roles like a profiler, a debugger, or a knowledge integrator. A shared file system keeps lessons from every past team.
Under the same token budget it reached 0.74 times FlashInfer on MLA decode, against 0.31 for a fixed 4-role team. With more budget it hit 1.21 times FlashInfer's speed, winning on 36 of 47 production workloads.
For long, hard optimization runs, have a supervisor restructure agent roles when progress stalls instead of running 1 fixed agent setup.
本条情报归属 AITOP「论文」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：Evolving Agent Teams、Claude Code、智能体、GPU内核优化，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「rohanpaul_ai」（@rohanpaul_ai），经 AITOP 多维评分管线结构化提炼。
