Arbor — Tối ưu tự động bằng Cây Giả thuyết

Làm được gì

Skill triển khai HTR (Hypothesis Tree Refinement) từ bài báo Arbor. Trạng thái nghiên cứu được lưu trong một cây giả thuyết bền vững thay vì trong lịch sử hội thoại; Claude đóng vai coordinator dài hạn quản lý cây, còn các executor subagent ngắn hạn kiểm chứng từng giả thuyết trong git worktree cô lập và trả về đúng bốn thứ: dev_score, result, insight, branch_ref.

Mỗi vòng gồm sáu bước: Observe → Ideate → Select → Dispatch → Backpropagate → Decide. Điểm mấu chốt là cổng hợp nhất: một thay đổi chỉ được thăng cấp khi cải thiện trên E_test — bộ đánh giá mà quá trình tìm kiếm chưa từng tối ưu vào. Toàn bộ sổ sách do scripts/tree.py xử lý (init, observe, add-node, set-evidence, propagate, prune, merge).

Phù hợp với ai

• Nhà nghiên cứu ML tinh chỉnh recipe huấn luyện, optimizer, kiến trúc
• Kỹ sư nâng tỉ lệ thành công của agent loop, harness tìm kiếm, scaffold dùng tool
• Người làm bài toán kiểu MLE-bench / Kaggle "cải thiện bài nộp"
• Ai lo lắng về khoảng cách dev/test khi tối ưu prompt hoặc pipeline dữ liệu

Không phù hợp nếu bạn chỉ cần một sửa đổi duy nhất hoặc chưa có bộ chấm điểm tự động.

Ví dụ sử dụng

1. Nâng độ chính xác harness tìm kiếm: khởi tạo với tree.py init kèm lệnh eval dev/test, tạo hướng độ sâu 1 ("nút thắt là khâu xác minh") rồi ba can thiệp độ sâu 2 chạy song song.
2. Tối ưu bài nộp Kaggle: đặt hướng feature engineering và hướng ensemble làm nút anh em, nhánh sai thì prune --reason để lần sau không lặp lại.
3. Tinh chỉnh pipeline prompt: ứng viên thắng trên dev nhưng thua trên test bị cổng merge từ chối, và lời giải thích đó được ghi lại như một ràng buộc âm cho các vòng sau.

Hãy cài skill mình tìm thấy trên Claude Skill Mart.
Copy thư mục skills/arbor từ repo GitHub K-Dense-AI/scientific-agent-skills vào ~/.claude/skills/arbor/ của mình.
Sau khi cài xong, cho mình biết skill này làm được gì trong một câu.