SkillProof tested Claude skills

Optim-Agent

Bucle ask/tell disciplinado para el ajuste de parámetros de caja negra contra un objetivo medible

Por Optim-Agent · Optim-Agent/optim-agent

Probado · Funciona ★ 8.4/10

Optim-Agent — Bucle ask/tell disciplinado para el ajuste de parámetros de caja negra contra un objetivo medible

Qué hace

Convierte el agente en un muestreador secuencial para la optimización costosa de caja negra: lee el código, propone una configuración, ejecuta el evaluador real, registra a través de un estudio ask/tell y deja que el objetivo medido decida. Útil para el ajuste de hiperparámetros, inferencia, estrategias de cuantificación, RL o flujos de trabajo científicos. Respaldado por el paquete pip optim-agent.

Informe de la prueba

Se ejecutó una minimización real de caja negra de 12 evaluaciones de ambas maneras: el bucle ask/tell disciplinado de la habilidad (línea base primero, luego explorar y explotar sobre el historial registrado) alcanzó el objetivo 0.03 justo al lado del óptimo verdadero, mientras que la intuición sin ayuda se estancó en 1.58 con el mismo presupuesto, aproximadamente un 98% menos. Cabe señalar que el paquete pip es esencialmente un libro de contabilidad ask/tell (sus únicos muestreadores son Random y AgentSampler), por lo que la ventaja proviene del flujo de trabajo prescrito, no de un optimizador bayesiano incorporado.

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

Instalación

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

Comandos y prompts de ejemplo

  • /optim-agentBucle ask/tell disciplinado para el ajuste de parámetros de caja negra contra un objetivo medible

Los skills se activan con peticiones en lenguaje natural, sin comandos que memorizar. Tras instalarlo, prompts como estos lo activan (en inglés):

  • 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

Informe completo →