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.
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
- Инициализировать цикл автономной оптимизации, определив исходный артефакт и измеримую цель.
- Использовать scripts/tree.py для ведения учета: создания узлов, записи доказательств, распространения знаний, обрезки дерева и работы с merge gate.
- Выступать в роли долгосрочного координатора, который владеет деревом гипотез и решает, куда направлять поиск.
- Запускать короткоживущих исполнителей (executor subagents) в изолированных git worktrees для тестирования одной гипотезы.
- Принимать изменения через held-out merge gate, которое допускает слияние только если тестовый оценщик (не используемый исполнителями для оптимизации) показывает улучшение.
- Обеспечивать сериализованную запись общего состояния координатором, в то время как исполнители возвращают только доказательства.
Примеры запросов агенту
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
SKILL.md к навыкам ассистентаНавык — папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент (Claude, Claude Code и совместимые) подхватывает его по описанию и следует шагам.