CEDAR是一种使用大型语言模型（LLM）作为代理的自动方法，用于发现满足用户指定行为目标的复杂系统。CEDAR的核心创新是LLM驱动的蒙特卡罗树搜索（MCTS），它与复杂系统深度耦合。在每次迭代中，一个LLM评估器评估系统的涌现行为与指定目标之间的匹配程度，而一个LLM编辑器则提出改进的变体，类似于进化计算中的生成和评估循环。我们使用Python的受限子集来表示复杂系统，允许LLM直接修改系统动态。CEDAR将其形式化为一个带有LLM参数化的转移核和值函数的MCTS变体，从而实现了目标导向的复杂系统行为发现，同时保留了解决方案的多样性。其LLM基于的解释性揭示了结构变化如何驱动涌现行为。CEDAR减少了人类的努力，同时实现了现有方法难以实现的功能，从而促进了复杂系统在各个领域的更广泛采用。 博主点评： CEDAR为复杂系统的目标导向优化提供了一种创新性的解决方案，通过LLM驱动的MCTS实现了高效的系统行为发现和优化。其应用前景广泛，能够促进复杂系统在各个领域的更广泛采用和发展。