LLM 기반 진화적 탐색 (LLM-guided evolutionary search) 은 자동화된 알고리즘 발견을 위한 유망한 패러다임으로 부상했으나, 대부분의 시스템은 탐색 진행 상황을 실행 가능한 프로그램과 스칼라 적합도 (scalar fitness) 를 통해 주로 추적합니다. 자연어 반성 (natural-language reflection) 이 사용되더라도 그것은 종종 변이 프롬프트 (mutation prompts) 에서 지역적으로 사용되거나 전략적 방향의 명시적인 집단 수준의 조직화 없이 저장되는 경우가 많습니다. 그 결과, 진화적 탐색은 동일한 아이디어의 문법적으로 다른 구현을 구별하거나, 적합도는 낮으나 전략적으로 유망한 방향을 보존하거나, 전략 전체의 가족이 포화 상태에 도달했음을 감지하는 데 어려움을 겪을 수 있습니다. 우리는 LLM 기반 프로그램 탐색에서 자연어 전략 설명을 일시적인 프롬프트 컨텍스트에서 1 차 집단 수준의 진화 상태로 승격시키는 모듈형 전략 공간 레이어인 SeaEvo 를 소개합니다. SeaEvo 는 각 후보 프로그램에 명시적인 자연어 전략 설명을 추가하고, 이 표현을 세 가지 방식으로 사용합니다: 전략 명료화 (Strategy Articulation) 는 변이를 진단-지시-구현 (diagnose-direct-implement) 프로세스로 전환하며, 계층적 경험 검색 (Stratified Experience Retrieval) 은 아카이브를 전략 클러스터로 조직하고 행동 상보성에 따라 영감을 선택하며, 전략 지형 탐색 (Strategic Landscape Navigation) 은 효과적인, 포화된, 그리고 과소 탐구된 전략 가족을 주기적으로 요약하여 향후 변이를 안내합니다. 수학적 알고리즘 발견, 시스템 최적화, 에이전트 스캐폴드 벤치마크를 아우르는 다양한 설정에서 SeaEvo 는 기존 진화적 백본을 대부분 개선하며, 특히 개방형 시스템 최적화 작업에서 큰 성과 (상대적 21% 향상) 를 거칩니다. 이러한 결과는 지속적인 전략 표현이 LLM 기반 진화적 탐색의 견고성과 효율성을 개선하는 실용적인 메커니즘을 제공하며, 시간이 지남에 따라 알고리즘 지식을 축적하는 복합 AI 시스템으로 나아가는 길을 제시합니다.