Автономная оптимизация артефактов через дерево гипотез

★ 7.0 · ai-agents

arbor — это скилл для Claude Code, который автономно оптимизирует артефакты (код, рецепты обучения, агентные обвязки, пайплайны данных, промпты) против заданной целевой функции и оценочного критерия с использованием Hypothesis Tree Refinement (HTR) из статьи Arbor (Jin et al., 2026). Вместо линейной истории диалога состояние хранится в постоянном дереве гипотез: каждый узел связывает гипотезу, извлечённый инсайт и версию артефакта в изолированном git-воркдереве. Claude выступает долгоживущим координатором, а короткоживущие subagent-экзекьюторы тестируют по одной гипотезе; gate слияния пропускает изменение лишь при улучшении на отдельном held-out тест-эвалуаторе — это защита от переобучения на dev-сигнале. Подходит для задач типа «подними метрику модели», «улучши агент/харнесс», «обгони baseline на бенчмарке» или любого длительного цикла эксперимент–оценка, где важно накапливать знания, а не запоминать dev-выборку. Управление деревом ведётся через scripts/tree.py; лицензия MIT, автор K-Dense Inc.