一句话定义：进化搜索（Evolutionary Search）是一类不依赖梯度的优化方法——先造出一批候选方案，给它们打分，留下表现好的，让它们"变异""杂交"产生下一代，如此循环，让种群整体越变越好。
它模仿的是自然选择。想象你要在看不见地形的山谷里找最低点。梯度下降（Gradient Descent）像带着指南针下山：知道坡朝哪边斜，就朝哪边走。但很多问题根本没有"坡"可算——提示词、代码、芯片里元件的摆放位置，这些是离散的、拼装出来的东西，你没法求导。进化搜索换了个思路：撒一百个方案下去，各自跑一遍得个分数，把高分的留下当"父母"，再让它们小幅改动（变异，mutation）、互相拼接（交叉，crossover），生成下一批。没有坡度信息，只有分数，但照样能往前走。
打个生活化的比方：改进菜谱。你不可能用微积分算出"盐该加几克"，但你可以做十锅，请人试吃打分，留下最好吃的三锅，在它们的做法上分别微调（多放点糖、少炖五分钟），再各做一锅。几轮下来，味道会比一开始好很多。这里的试吃打分就是适应度函数（fitness function），一批菜就是种群（population），一轮就是一代（generation）。
它和相邻概念的区别：
| 方法 | 需要梯度吗 | 反馈形态 | 典型适用 |
|---|---|---|---|
| 梯度下降 | 需要，要求可微 | 连续损失值 | 神经网络权重 |
| 随机搜索 | 不需要 | 单点分数，不积累 | 极简基线、小空间 |
| 进化搜索 | 不需要 | 整份方案的分数 | 离散结构、代码、提示词、布局 |
| 强化学习 | 通常不需要 | 逐步奖励 | 序列决策、控制 |
遗传算法（Genetic Algorithm）是进化搜索里最有名的一支，此外还有进化策略（Evolutionary Strategy）、遗传编程（Genetic Programming）等分支，核心都是"变异 + 选择"。和强化学习的关键差别在于：进化搜索通常只给整份方案一个总分，不关心中间每一步该得多少奖励，所以它特别适合"能评估、但过程难以拆解"的问题。
落到实际工作上，三个场景最典型。一是提示词优化：让模型生成一批提示词变体，拿测试用例自动打分，保留高分的，再让模型基于高分版本改写，迭代若干轮。二是代码搜索：把程序片段当作基因，能通过测试的留下，再改。三是芯片布局和排程：把元件的坐标、顺序编码成基因，用线长、功耗、时延估算打分，反复优化摆放。超参数搜索和神经网络结构搜索（Neural Architecture Search）也常借用它。
对从业者的意义：只要你能把任务写成一个"可自动打分"的函数，进化搜索就能用，哪怕问题不可导、目标是多目标权衡（快 vs 准）。代价是样本效率低——它靠大量评估换进步，评估一次要跑仿真或调模型时，预算很容易被烧光，所以要搭配早停、并行和候选去重。对普通人而言，它其实就是"试错、保留有效经验、在好版本上做小改动"的算法化版本，和团队做文案 A/B 测试、版本迭代的直觉是同一回事。具体工具的参数与用法，以官方页面为准。