Arbor — 가설 트리 기반 자율 최적화

무엇을 해주나

Arbor 논문의 HTR(Hypothesis Tree Refinement) 방식을 Claude Code에서 그대로 실행합니다. 대화 기록 대신 영속적인 가설 트리에 연구 상태를 저장하고, Claude가 장기 코디네이터 역할로 트리를 관리합니다. 각 가설은 격리된 git worktree 안에서 단기 executor 서브에이전트가 검증하고, dev 점수·결과·인사이트·브랜치 참조 네 가지를 돌려줍니다.

핵심 사이클은 여섯 단계입니다: Observe(트리 재확인) → Ideate(반증 가능한 가설 제안) → Select(정보량이 큰 실험 선택) → Dispatch(워크트리 병렬 실행) → Backpropagate(인사이트를 상위로 추상화) → Decide(가지치기 또는 머지). 승격은 검색에 쓰지 않은 E_test 평가자를 통과할 때만 허용되어, dev 점수만 오르는 과적합을 걸러냅니다. 모든 상태 관리는 scripts/tree.py(init·observe·add-node·set-evidence·propagate·prune·merge)가 담당합니다.

이런 분께 추천

• 모델 학습 레시피·옵티마이저·아키텍처를 반복 튜닝하는 ML 연구자
• 에이전트 하네스나 툴 사용 스캐폴드의 성공률을 끌어올리려는 엔지니어
• MLE-bench / Kaggle식 "제출물 개선" 벤치마크 참가자
• dev 셋에만 잘 맞는 결과가 나올까 걱정되는 프롬프트·파이프라인 최적화 담당자

한 번의 수정으로 끝나는 작업이나 평가자가 아예 없는 아이디어 발산에는 맞지 않습니다.

활용 예시

1. 검색 하네스 정확도 개선 — tree.py init으로 objective와 dev/test 평가 명령을 등록한 뒤, "검증이 병목이다" 같은 깊이1 방향 아래에 K=5 롤아웃 집계 같은 깊이2 개입을 3개 붙여 병렬 검증합니다.
2. Kaggle 제출물 최적화 — 피처 엔지니어링 방향과 모델 앙상블 방향을 형제 노드로 두고, 실패한 가지는 prune --reason으로 남겨 다음 아이디에이션에서 같은 함정을 피합니다.
3. 프롬프트 파이프라인 튜닝 — dev 점수는 올랐지만 test에서 떨어진 후보를 머지 게이트가 거부하면, 그 자체를 "dev 신호를 착취 중"이라는 교훈으로 기록해 방향을 전환합니다.

클로드스킬마트에서 찾은 스킬을 설치해줘.
GitHub 저장소 K-Dense-AI/scientific-agent-skills 의 skills/arbor 폴더를 내 ~/.claude/skills/arbor/ 에 그대로 복사해줘.
설치가 끝나면 이 스킬로 무엇을 할 수 있는지 한 줄로 알려줘.