Оптимізація алгоритмів наукових обчислень для сучасних графічних процесорів є трудомістким та ітеративним процесом, що включає багаторазову модифікацію коду, бенчмаркінг та налаштування через складні апаратні та програмні стеки. Ця стаття представляє нову структуру, яка використовує великі мовні моделі (LLM) для автоматизації та покращення цього процесу оптимізації. Ми пропонуємо PhyloEvolve, систему LLM-агентів, яка переосмислює оптимізацію алгоритмів, орієнтованих на графічні процесори, як проблему навчання з підкріпленням у контексті (ICRL), що дозволяє повторно використовувати досвід оптимізації, обумовлений траєкторією, без перенавчання моделі. Система використовує філогенетичне дерево для організації історії оптимізації та демонструє послідовні покращення часу виконання, ефективності пам'яті та коректності для наукових обчислювальних навантажень.