Update Opt Code

[MoshiQAQ]

Features

• AFlow 代码重构，目前还是 ActionNode 版本
• 只整理 HotpotQA，其他数据集代码类似还未上传
• 目前无详细 log 信息

Feature Docs
python -m metagpt.ext.opt_code.main 运行

Update 03.21
更新内容：

• 外层的 MetaAgent 负责控制整个流程，为了将 Agent 划分成搜索过程中的独立主体，整个搜索逻辑如下：

class MetaAgent(Role):
    async def run(self, kwargs):
        # Loop start
        if not self.started_search:
            node = await self.initialize(kwargs)
        else:
            node = self.search_algorithm.select_with_strategy(self.search_memory, "greedy")

        trial_node, context = await self.search_algorithm.expand_and_prepare(node, self.search_memory)
        results = await self.experimenter.run(trial_node, context, kwargs["instruction"]) # 由 Agent 生成代码
        self.search_algorithm.update(trial_node, results)
        self.search_memory.update_from_child(trial_node, results)

• 从 search_algorithm/tree_search.py 中的 TreeSearch 类派生出 AFlowSearch 和 SelaSearch，子类中主要实现 select、_prepare、_expand、_update_global_context 四种方法，其中 _prepare 为 Agent 提供被实验的节点和上下文信息。只变动父类的 select_with_strategy 方法可以实现简单的搜索策略的变更。
• 从 memory/tree.py 中的 TreeNode 类派生出 AFlowNode 和 SelaNode，子类中主要实现 update_from_child、update_from_results（从 Agent 输出结果更新节点）、extend_child（针对 SELA，先有 action 后再 expand 节点）方法。Tree 类派生出的 AFlowMemory 和 SelaMemory 只需要实现 init_root_node 方法即可。
• 从 opt_roles/experimenter.py 中的 Experimenter 类派生出 AFlowRole 和 SelaRole，前者用 ActionNode 实现代码的生成，而后者利用 DataInterpreter 进行多步决策来生成完整的 notebook 代码，二者逻辑很难统一。

需要补充的内容：

• 将代码执行过程从 Agent 中抽离出来，换成由一个 Evaluator 类负责。
• 抽象后代码在不同数据集上的复现结果。

[garylin2099]

search module should take care of node selection

[garylin2099]

execution output should not be committed

[garylin2099]

select method should belong to search algorithm?