Optim-Agent
Disziplinierter ask/tell-Loop für Black-Box-Parameter-Tuning gegen ein messbares Ziel
Getestet · Funktioniert
Was es kann
Verwandelt den Agenten in einen sequentiellen Sampler für teure Black-Box-Optimierung: Code lesen, eine Konfiguration vorschlagen, den echten Evaluator ausführen, über eine ask/tell-Studie aufzeichnen und das gemessene Ziel entscheiden lassen. Verwendung für Hyperparameter-, Inferenz-, Quant-Strategie-, RL- oder wissenschaftliche Workflow-Optimierung. Unterstützt durch das pip package optim-agent.
Testbericht
Führte eine echte 12-Evaluierungs-Black-Box-Minimierung auf beide Weisen durch: Der disziplinierte ask/tell-Loop des Skills (Baseline zuerst, dann Exploration und Exploitation über die aufgezeichnete Historie) erreichte das Ziel 0.03 direkt neben dem wahren Optimum, während ungestütztes intuitives Raten beim gleichen Budget bei 1.58 stagnierte – etwa 98% niedriger. Es ist hervorzuheben, dass das pip package im Wesentlichen ein ask/tell-Ledger ist (seine einzigen Sampler sind Random und AgentSampler), sodass der Gewinn aus dem vorgeschriebenen Workflow stammt, nicht aus einem eingebauten Bayes'schen Optimierer.
Getestet am: 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
Befehle & Beispiel-Prompts
/optim-agentDisziplinierter ask/tell-Loop für Black-Box-Parameter-Tuning gegen ein messbares Ziel
Skills reagieren auf normale Anfragen — keine Slash-Befehle nötig. Nach der Installation aktivieren Prompts wie diese den Skill (auf Englisch):
Help me tune XGBoost hyperparameters to minimize validation lossNeed to find the best backtest threshold and budget for our Sharpe ratioTune the reward-shaping parameters in our RL agent against episode return