Optim-Agent

Disciplineret ask/tell-loop for black-box parameterjustering mod et målbart objektiv

Af Optim-Agent · Optim-Agent/optim-agent

Testet · Virker ★ 8.4/10

Optim-Agent — Disciplineret ask/tell-loop for black-box parameterjustering mod et målbart objektiv

Hvad det gør

Forvandler agenten til en sekventiel sampler for dyr black-box optimering: læs koden, foreslå én konfiguration, kør den rigtige evaluator, optag via en ask/tell-undersøgelse, og lad det målte objektiv bestemme. Anvendes til hyperparameter-, inferens-, kvant-strategi-, RL- eller videnskabelig workflow-justering. Understøttet af pip-pakken optim-agent.

Testrapport

Kørte en reel 12-evaluering black-box minimering på to måder: færdighedens disciplinerede ask/tell-loop (baseline først, udforsk derefter udnyt over registreret historie) nåede objektiv 0.03 lige ved siden af det sande optimum, mens uassisteret intuition-gætning stoppede ved 1.58 med samme budget -- omkring 98% lavere. Det er værd at bemærke, at pip-pakken i det væsentlige er en ask/tell-ledger (dens eneste samplere er Random og AgentSampler), så gevinsten kommer fra den foreskrevne arbejdsgang, ikke en indbygget Bayesiansk optimiser.

Testet: 2026-07-17 · Claude Code 2.x (agent harness)

Installation

python -m pip install optim-agent
git clone https://github.com/Optim-Agent/optim-agent.git
mkdir -p ~/.claude/skills/optim-agent
cd optim-agent && cp SKILL.md ~/.claude/skills/optim-agent/SKILL.md

Kommandoer og eksempelprompter

/optim-agentDisciplineret ask/tell-loop for black-box parameterjustering mod et målbart objektiv

Skills udløses af almindelige forespørgsler — ingen kommandoer at huske. Efter installationen aktiverer prompter som disse skillen (på engelsk):

Help me tune XGBoost hyperparameters to minimize validation loss
Need to find the best backtest threshold and budget for our Sharpe ratio
Tune the reward-shaping parameters in our RL agent against episode return

Læs hele rapporten →