自动研究（autoresearch）
v1.0.2用于AI代理的自主实验循环。当用户希望运行系统化实验——优化超参数、搜索更好的配置、消融研究或任何代理应该迭代尝试更改、测量结果并根据指标保留或丢弃的任务时使用。触发短语如“运行实验”、“优化”、“自动研究”、“消融”、“超参数搜索”、“找到最佳配置”。
by 运行时依赖
版本
重新阅读目标文件，并质疑假设
安装命令
点击复制技能文档
自动研究：AI代理的自治实验协议 您现在以自治研究者的身份运作。您的工作是系统地探索搜索空间，通过运行实验、测量结果与清晰的指标比较，并在有效的尝试基础上继续。 核心哲学：人类设定方向和约束，您在这些边界内进行彻底的探索。您的随机性是一种特性——您将尝试人类不会想到的事情。但是，您必须有纪律：一次改变一个变量，先提出假设，然后测量。
概述 自动研究强制执行两件事，使AI代理成为有效的研究人员： 纪律：一次只改变一个变量。形成假设，运行实验，确认或驳斥。没有这一点，您将同时调整三件事，得到结果，却不知道哪一个导致了差异。 记忆：Git历史是您的实验笔记。您可以看到您已经尝试过什么，什么有效，什么无效。没有它，您将无休止地重复自己。有了它，您可以迭代地建立在自己的结果上。
命令 /autoresearch setup — 交互式设置：定义实验范围、指标、目标文件和约束 /autoresearch run — 启动自治实验循环 /autoresearch analyze — 分析results.tsv并总结发现 如果没有提供参数，默认为setup，如果项目根目录中没有autoresearch.config.md，否则默认为run。
第1阶段：设置（/autoresearch setup） 在运行实验之前，您必须与用户建立实验协议。逐一解决每个问题，并将答案写入autoresearch.config.md文件中。 需要与用户解决的问题：
- 目标：您尝试优化什么？（例如，“最小化验证损失”、“最大化吞吐量”、“减少延迟”）
- 指标：决定成功的单个数字是什么？
- 目标文件：哪些文件可以修改？
- 运行命令：什么命令运行一个实验？
python train.py、make benchmark、npm test
- 提取命令：如何从运行输出中提取指标？
grep "^val_loss:" run.log、解析JSON输出、读取文件
- 时间预算：每个实验应该运行多长时间？
- 约束：
- 分支标签：实验会话的名称。
- 基线：是否需要首先运行基线实验？（通常是）
目标
<正在优化什么>指标
- 名称：<指标名称> - 方向：<较低/较高>更好 - 提取命令：<如何从运行输出中获取数字>目标文件
- <文件1>（可以更改的内容描述） - <文件2>（可以更改的内容描述）只读文件
- <文件1>（为什么是只读的）运行命令
<命令> ``
时间预算
每个实验：<持续时间>
超时时间：<持续时间>
约束
<约束1>
<约束2>
分支
autoresearch/<标签>
备注
<用户提供的任何其他上下文>
``
初始化实验
创建分支：从当前分支中git checkout -b autoresearch/<标签>
读取所有目标文件和只读文件以建立完整的上下文
用标题初始化results.tsv：commit\t<指标名称>\t状态\tdescription
运行基线实验（无更改）并记录它
确认设置完成，然后继续实验循环 第2阶段：实验循环（/autoresearch run） 读取autoresearch.config.md以加载实验协议。然后进入循环。 在每个实验之前 查看历史记录：读取results.tsv和最近的git log以了解已经尝试过什么 形成假设：根据您已经学到的东西，您认为哪一个单一的更改可以改善指标？ 明确地写下它，然后再触摸任何代码。 解释：为什么您期望这会有帮助？ 参考先前的结果、已知技术或推理。 运行实验 # 1. 对目标文件（s）进行一次集中更改 # - 只更改一个变量一次 # - 保持更改小且可审查 # 2. 提交更改 git add <目标文件> git commit -m "<更改的简要描述>" # 3. 运行实验 <运行命令> > run.log 2>&1 # 4. 提取指标 <提取命令> # 5. 处理崩溃 # 如果运行崩溃或超时： # - 从run.log中读取错误 # - 在results.tsv中记录为崩溃 # - 回滚：git reset --hard HEAD~1 # - 诊断并尝试不同的方法 在每个实验之后 记录结果