生命周期价值预测在广告、推荐系统和电商领域至关重要。实践中，生命周期价值数据模式因决策场景而异，导致从业者常构建复杂的场景专属流程，并在特征处理、目标设计及调参上反复迭代。这一过程成本高昂且难以迁移。我们提出AgentLTV------一个基于智能体的统一搜索与进化框架，用于自动化生命周期价值建模。
AgentLTV将每个候选方案视为可执行的流水线程序，由大语言模型驱动的智能体生成代码、运行并修复流水线，同时分析执行反馈。两个决策智能体协同实现两阶段搜索：蒙特卡洛树搜索阶段在固定预算下探索广阔的建模选择空间，依据多项式上置信界准则及帕累托感知的多指标价值函数引导搜索；进化算法阶段则通过基于岛屿的进化机制，结合交叉、变异与迁移操作，对蒙特卡洛树搜索的最优程序进行精细化改进。
在大型专有数据集及公共基准上的实验表明，AgentLTV能持续发现排序与误差指标俱佳的强模型。在线桶级分析进一步证实，该框架提升了排序一致性与价值校准效果，尤其在高价值及负生命周期价值用户群中表现突出。我们总结了面向实践者的核心经验：利用蒙特卡洛树搜索快速适配新数据模式，采用进化算法实现稳定优化，并通过桶级排序与校准诊断验证部署就绪度。目前，AgentLTV已成功部署上线。