RUC-NLPIR/Arbor

解决的问题

Arbor 是一个为通用优化设计的自主研究代理。它通过采用结构化的假设树框架，取代线性的试错方式，解决了 AI 驱动实验效率低下且易遗忘的问题。该框架使代理能够优化任何具有可测量指标的任务——例如模型训练、数据合成或工程系统构建——同时确保所有改进都在保留数据上经过验证，防止过拟合。

工作原理

Arbor 采用两个协作的代理：Coordinator（研究主管）和 Executor（研究工程师）。

它们在六步「树状循环」中运作：

1. 观察：分析当前结果和失败模式。
2. 构思：基于假设树提出新假设。
3. 选择：优先选择最有前景的想法。
4. 分派：Executor 在隔离的 git worktree 中实现变更，并在开发集上评估。
5. 回溯传播：记录结果并抽象洞察向上传递至树中，使未来想法可继承这些经验。
6. 决策：使用保留验证集决定是否将成果合并到主干、剪枝分支或继续探索。

Arbor 可作为原生 CLI 使用，也可通过 MCP 集成到其他编码代理（如 Claude Code 或 Codex）中，或作为独立技能套件运行。

适用人群

适用于需要优化复杂软件或 ML 系统的研究人员和开发者，他们希望采用一种有纪律、自动化的实验方法，同时保留成功与失败的历史记录。

核心亮点

• 假设树：维护研究方向和具体方法的结构化历史，避免重复错误。
• 实验纪律：使用隔离的 git worktree 和严格的开发/测试划分，确保仅真实改进被合并。
• 文献基础：集成 alphaXiv API，在消耗计算资源前检查想法的新颖性。
• 灵活集成：支持多种 LLM 后端（Anthropic、OpenAI、DeepSeek 等），可在其他 AI 编码工具中无密钥运行。
• 可操控性：提供实时仪表板和多种交互模式（自动、指导、审查、协作），支持人类在环指导。