RUC-NLPIR/Arbor

A generalist autonomous research agent — runs experiments, researches, and iteratively optimizes, autonomously.

What it solves

Arbor는 범용 최적화를 위해 설계된 자율 연구 에이전트입니다. 구조화된 가설 트리를 유지함으로써 장기 탐색 중에 실패한 시도를 "잊어버리는" 문제를 해결합니다. 이를 통해 모델 훈련, 데이터 합성, 혹은 엔지니어링 하네스와 같이 측정 가능한 목표와 메트릭이 있는 모든 작업을, 중복되거나 실패한 아이디어에 계산 자원을 낭비하지 않고 최적화할 수 있습니다.

How it works

Arbor는 두 개의 협업 에이전트를 사용합니다: Coordinator(연구 디렉터)와 Executor(연구 엔지니어).

그들은 6단계 "arbor cycle"에서 작동합니다:

  1. Observe: 현재 결과와 실패 모드를 분석합니다.
  2. Ideate: Idea Tree를 기반으로 새로운 가설을 제안합니다.
  3. Select: 가장 유망한 아이디어를 선택해 테스트합니다.
  4. Dispatch: Executor가 격리된 git worktree에 아이디어를 구현하고 개발용 스플릿에서 평가합니다.
  5. Backpropagate: 결과와 추상적인 인사이트를 트리 위쪽으로 기록합니다.
  6. Decide: 보류된 테스트 스플릿을 사용해 이득을 메인 트렁크에 병합할지, 브랜치를 가지치기할지 결정합니다.

독립 CLI로 사용할 수 있으며, MCP를 통해 Claude Code나 Codex와 같은 코딩 에이전트에 통합하거나 독립 스킬 스위트로도 사용할 수 있습니다.

Who it’s for

Arbor는 특정 벤치마크에 대해 코드나 모델을 반복적으로 최적화하고, 개발 데이터에 과적합되지 않도록 체계적이고 자동화된 방식으로 가설을 탐색하고자 하는 연구자와 개발자를 위해 만들어졌습니다.

Highlights

  • Hypothesis Tree: 인사이트와 실패의 구조화된 히스토리를 유지해 향후 탐색을 안내합니다.
  • Real Experiment Discipline: 격리된 git worktree와 보류된 검증 세트를 사용해 실제 개선만이 병합되도록 보장합니다.
  • Literature Grounding: alphaXiv API와 통합해 계산 자원을 투입하기 전에 아이디어의 새로움을 확인합니다.
  • Flexible Deployment: Anthropic, OpenAI, DeepSeek 등 다양한 LLM 백엔드를 지원하고 기존 AI 코딩 하네스에 직접 통합합니다.
  • Steerable: 실시간 대시보드와 여러 인터랙션 모드(auto, direction, review, collaborative)를 제공해 인간이 루프 내에서 가이드를 할 수 있게 합니다.