Optim-Agent/optim-agent
LLM agents as your hyperparameter optimizer.
What it solves
Optim-agent 은 전통적인 수학적 대리 모델을 코딩 에이전트로 교체함으로써 시스템 파라미터(하이퍼파라미터) 튜닝의 반복 과정을 자동화합니다. 파라미터를 익명 좌표로만 취급하는 "맹목적인" 튜닝 문제를 해결하고, 에이전트가 파라미터의 의미와 시도 이력을 추론하여 특히 평가 예산이 적을 때 더 효율적으로 더 나은 구성을 제안할 수 있게 합니다.
How it works
이 시스템은 에이전트 CLI(Claude Code, Codex, OpenCode 등)와 통합되어 최적화 루프를 만듭니다. 사용자는 목표 함수와 파라미터 공간을 정의하고(각 파라미터에 자연어 컨텍스트를 선택적으로 제공) 에이전트는 현재 시도 이력과 제공된 컨텍스트를 분석해 다음 파라미터 집합을 제안합니다. 안정성을 위해 optim-agent 은 에이전트 제안이 선언된 파라미터 공간에 부합하는지 검증하고, 에이전트가 유효하지 않은 응답을 하면 안전한 샘플링으로 대체합니다.
Who it’s for
모델 학습, 추론 서비스, 정량 연구, 강화 학습, 과학 워크플로 등 설정 가능한 파라미터와 측정 가능한 목표를 가진 시스템에서 작업하는 알고리즘 엔지니어와 연구자를 위해 설계되었습니다.
Highlights
- Semantic Proposals: 파라미터를 단순 숫자가 아니라 실제 의미를 LLM이 추론하도록 합니다.
- Agent-Driven Pruning: 학습 곡선을 기반으로 성능이 낮은 시도를 유지하거나 중단할지를 에이전트가 결정하는 프루너를 포함합니다.
- Flexible Backends: Claude, Codex, OpenCode 등 여러 에이전트 CLI를 지원합니다.
- Distributed Execution: 스레드 풀이나 공유 SQLite 스토리지를 이용해 다중 프로세스/다중 머신 최적화를 지원합니다.
- Auditable History: 구성, 결과, 에이전트 근거를 JSON 또는 SQLite에 저장해 완전한 투명성과 감사 가능한 이력을 제공합니다.