RUC-NLPIR/Arbor

解決的問題

Arbor 是一個為通用優化設計的自主研究代理。它透過採用結構化的假設樹框架，取代線性的試誤方式，解決了 AI 驅動實驗效率低下且易遺忘的問題。此框架使代理能優化任何具可測量指標的任務——例如模型訓練、資料合成或工程系統建構——同時確保所有改進皆在保留資料上經過驗證，防止過度擬合。

工作原理

Arbor 採用兩個協作的代理：Coordinator（研究主管）與 Executor（研究工程師）。

它們在六步「樹狀循環」中運作：

1. 觀察：分析當前結果與失敗模式。
2. 構思：基於假設樹提出新假設。
3. 選擇：優先選擇最有前景的想法。
4. 分派：Executor 在隔離的 git worktree 中實現變更，並在開發集上評估。
5. 回溯傳播：記錄結果並抽象洞察向上傳遞至樹中，使未來想法可繼承這些經驗。
6. 決策：使用保留驗證集決定是否將成果合併到主幹、剪枝分支或繼續探索。

Arbor 可作為原生 CLI 使用，也可透過 MCP 集成到其他編碼代理（如 Claude Code 或 Codex）中，或作為獨立技能套件運行。

適用對象

適用於需要優化複雜軟體或 ML 系統的研究人員與開發者，他們希望採用一種有紀律、自動化的實驗方法，同時保留成功與失敗的歷史記錄。

核心亮點

• 假設樹：維護研究方向與具體方法的結構化歷史，避免重複錯誤。
• 實驗紀律：使用隔離的 git worktree 與嚴格的開發/測試劃分，確保僅真實改進被合併。
• 文獻基礎：整合 alphaXiv API，在消耗計算資源前檢查想法的新穎性。
• 靈活整合：支援多種 LLM 後端（Anthropic、OpenAI、DeepSeek 等），可在其他 AI 編碼工具中無密鑰運行。
• 可操控性：提供即時儀表板與多種互動模式（自動、指導、審查、協作），支援人類在環指導。