RUC-NLPIR/Arbor

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

What it solves

Arbor 是一個為通用優化而設計的自主研究代理。它透過維持結構化的假設樹，解決了長期探索過程中「遺忘」失敗嘗試的問題。這使得它能優化任何具有可測量目標與指標的任務——例如模型訓練、資料合成或工程 harness——而不會在冗餘或失敗的想法上浪費計算資源。

How it works

Arbor 采用兩個協同工作的代理：Coordinator（研究主管）與 Executor（研究工程師）。

它們在六步「arbor cycle」中運作：

  1. Observe：分析當前結果與失敗模式。
  2. Ideate：根據 Idea Tree 提出新假設。
  3. Select：挑選最有前景的想法進行測試。
  4. Dispatch：Executor 在隔離的 git worktree 中實作想法，並在開發集上評估。
  5. Backpropagate：將結果與抽象洞見向上回傳至樹中。
  6. Decide：使用保留測試集決定是否將收益合併至主幹或剪除分支。

它可以作為獨立的 CLI 使用，亦可透過 MCP 整合至 Claude Code、Codex 等編碼代理，或作為獨立的技能套件。

Who it’s for

Arbor 為需要針對特定基準迭代優化程式碼或模型，且希望以有紀律且自動化的方式探索假設、避免對開發資料過度擬合的研究人員與開發者而建。

Highlights

  • Hypothesis Tree：維持結構化的洞見與失敗歷史，以指導未來探索。
  • Real Experiment Discipline：使用隔離的 git worktree 與保留驗證集，確保只有真正的改進會被合併。
  • Literature Grounding：整合 alphaXiv API，在投入計算資源前檢查想法的新穎性。
  • Flexible Deployment：支援多種 LLM 後端（Anthropic、OpenAI、DeepSeek 等），並直接整合至現有 AI 編碼 harness。
  • Steerable：提供即時儀表板與多種互動模式（auto、direction、review、collaborative），供人類在回路中指導。