arbor

Применяет Arbor Hypothesis Tree Refinement к исследовательским артефактам с повторяемыми оценщиками, включая обучение моделей и оптимизацию бенчмарков. Использует persistent hypotheses, изолированные эксперименты и RUC-NLPIR Arbor CLI для многоэтапных исследований.

KDK-Dense official Разработка ★ 47.7k

Что делает навык

Arbor реализует цикл автономной оптимизации (AO) через уточнение дерева гипотез (HTR), позволяя улучшать артефакты на основе измеримой цели без пошагового контроля человека. Он сохраняет состояние исследования в персистентном дереве гипотез, где каждая узловая запись связывает гипотезу, полученное знание и версию артефакта, обеспечивая кумулятивный рост знаний и проверку на переобучение.

Когда применять

  • Обучение моделей: изменение оптимизаторов, архитектуры или рецепта для снижения потерь или достижения целевых показателей за меньшее число шагов.
  • Инжиниринг хarnессов: повышение pass rate или точности агентных циклов, поисковых harness или scaffolds с использованием инструментов.
  • Синтез данных: улучшение пайплайнов генерации или фильтрации, оцениваемых по поведению модели-получателя.
  • Оптимизация бенчмарков: задачи типа MLE-bench или Kaggle, направленные на улучшение отправки (submission).
  • Оптимизация промптов и систем: автоматическое оценивание и улучшение системных инструкций.

Как работает

  1. Инициализировать цикл автономной оптимизации, определив исходный артефакт и измеримую цель.
  2. Использовать scripts/tree.py для ведения учета: создания узлов, записи доказательств, распространения знаний, обрезки дерева и работы с merge gate.
  3. Выступать в роли долгосрочного координатора, который владеет деревом гипотез и решает, куда направлять поиск.
  4. Запускать короткоживущих исполнителей (executor subagents) в изолированных git worktrees для тестирования одной гипотезы.
  5. Принимать изменения через held-out merge gate, которое допускает слияние только если тестовый оценщик (не используемый исполнителями для оптимизации) показывает улучшение.
  6. Обеспечивать сериализованную запись общего состояния координатором, в то время как исполнители возвращают только доказательства.

Примеры запросов агенту

Проведи автономную оптимизацию текущего артефакта модели, используя Arbor для снижения loss на 5% за 50 итераций.
Улучши пайплайн фильтрации данных с помощью Arbor, применяя HTR и изолированные эксперименты в git worktrees.
Запусти цикл оптимизации бенчмарка Kaggle через Arbor, чтобы повысить точность submission, используя scripts/tree.py для управления состоянием.

Что понадобится

  • Git (для создания и управления worktrees)
  • scripts/tree.py (менеджер состояния)
  • Доступ к оценщикам (evaluators) для проверки гипотез

Описание составлено по SKILL.md навыка, сверено 08.10.2026.

Как подключить

1Скачать навык
# возьмите папку навыка «arbor» из репозитория: # https://github.com/k-dense-ai/scientific-agent-skills
2Положить папку с SKILL.md к навыкам ассистента
# положите папку навыка туда, где ассистент ищет skills: cp -r arbor/ ~/.claude/skills/arbor/

Навык — папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент (Claude, Claude Code и совместимые) подхватывает его по описанию и следует шагам.