Arbor

面向通用自主科研的假设树精炼方法（Toward Generalist Autonomous Research via Hypothesis-Tree Refinement）

Arbor 是一个自主科研智能体，它把一个长周期目标转化为持续累积的搜索过程。 给它一个基准 （benchmark）和一个目标；它会提出假设、修改代码、运行真实实验、从结果中学习，并保留那些在 留出（held-out）数据上确实站得住脚的改进。

不同于“一次性尝试、过后即弃”的做法，Arbor 会生长出一棵假设树：每个想法都是一根分支—— 失败则剪枝，成功则保留——而洞见会沿树反向传播，让后续想法从更可靠的起点出发。

• 几分钟内跑起来

  克隆、pip install -e .、arbor setup，然后 arbor。

  安装

• 运行你的第一个研究

  把 Arbor 指向一个基准，看着想法树生长。

  快速上手

• 理解方法

  Arbor 循环、想法树、git 隔离与留出纪律。

  工作原理

• 配置一切

  Provider、预算、超时与人在回路模式。

  配置

两个协作的智能体

智能体	角色
Coordinator（协调者）	科研总监。维护想法树，通过 arbor cycle 驱动搜索，并派发实验。
Executor（执行者）	科研工程师。给定一个想法，它实现代码改动，在隔离的 git worktree 中运行实验，并汇报证据。

为什么是 Arbor

• 沉淀证据，而非日志。 结果、失败模式与提炼出的洞见保存在持久化的想法树中——不是滚动缓冲区。
• 默认的留出纪律。 Executor 在 dev 划分上迭代；只有在留出 test 划分上跨过可配置阈值的改进 才会被合并。
• 隔离、可回退的实验。 每个实验都在自己的 git worktree、独立分支上运行。在你主动合并之前， main 绝不会被触碰。
• 反向传播的洞见。 每次实验后，由 LLM 抽象出学到的东西并上推到树中，让同辈与后代想法继承 来之不易的上下文。
• 任意模型。 Anthropic、OpenAI / Responses API，或任何通过 LiteLLM 接入的 OpenAI 兼容后端 （DeepSeek、Gemini、Qwen、vLLM、Ollama、本地网关）。
• 无需改代码的领域适配。 一行 plugin: 即可把智能体切换到新领域；Skill 则是按需加载的 markdown 操作手册。

第一次使用？

先看安装 →快速上手，再读工作原理 了解各个组成部分。