引擎

引擎是为你的产物提出新版本的搜索方法。Skynet 为提示词、代码和文本产物提供六个原生引擎，为 DSPy 程序提供三个 DSPy 优化器，另外还有 Auto。本页说明每个引擎的作用、何时选用以及它有哪些设置。

如果你不知道哪些引擎适合你的产物，请先阅读优化的工作原理。

快速对比

向导会把 GEPA、DSPy GEPA 和 Auto 标记为使用指标反馈文本的优化器。

Auto

Auto 是默认选项。它运行什么取决于产物类型：

• DSPy 程序：Auto 运行 DSPy GEPA。
• 提示词、代码或文本：Auto 同时用五个引擎进行探索：GEPA、AutoResearch、Meta-Harness、AutoSaddler 和 ShinkaEvolve。每个引擎平均分得评分器运行次数：预算除以 6。然后 GEPA 从最佳版本出发，用剩余预算继续优化。

Auto 不使用 Best-of-N。

适合在以下情况选用： 你不知道哪个引擎适合。这是最好的起点。

GEPA

“基于反思的演化，维护一个由多个版本组成的 Pareto 前沿。”反思模型读取每个用例的分数和反馈，并写出更好的版本。GEPA 维护一个版本前沿，其中每个版本都在某些用例上表现最好。

适合在以下情况选用： 你的指标能给出具体的反馈，并且你想要一个强大的单一引擎。

Best-of-N

“由反思模型给出相互独立的提议，保留最好的一个。”每个提议都独立于其他提议。Skynet 会在验证用例上为排名靠前的提议重新打分。

适合在以下情况选用： 你想要一个简单的基线，用来与其他引擎比较。

AutoResearch

编程智能体执行多轮研究。它不断编辑、打分并保留有帮助的改动，直到预算用完。

适合在以下情况选用： 一个好的改动需要经过多步调查，例如在代码产物上。

Meta-Harness

编程智能体在每次迭代中提出一批候选。它会利用所有候选及其分数的完整历史。

适合在以下情况选用： 你想要一个能从所有过往尝试的历史中学习的智能体。使用 每轮候选数 来设置批次大小。

AutoSaddler

编程智能体读取你的指标给出的反馈，并对版本打补丁。Skynet 只保留经过新一次评分器运行确认的补丁。

适合在以下情况选用： 你的指标反馈能指出明确的、局部的缺陷。

ShinkaEvolve

“在多个并行岛屿中演化大量版本，并学习哪些模型对它们的改进最大。”它是一种针对候选种群的演化搜索，其中的变异和交叉由模型编写。

适合在以下情况选用： 你想要广泛探索，并且预算较大。

DSPy 优化器

DSPy MIPROv2 和 DSPy BootstrapFewShot 需要成对数据（带期望输出的用例）。

设置

预算

一次评分器运行是指在一个用例上调用一次你的指标。对起始版本和胜出版本的最终重新打分不计入 最大评分器运行次数。

编程智能体设置

这些设置适用于 Auto、AutoResearch、Meta-Harness 和 AutoSaddler。

ShinkaEvolve 设置

当 Auto 运行 ShinkaEvolve 时，向导会把这些设置显示为“ShinkaEvolve 设置（Auto 运行它时）”。

相关页面

• 优化的工作原理
• 指标与评分器
• 运行
• 计费