Optim-Agent
Ciclo ask/tell disciplinato per la messa a punto di parametri black-box rispetto a un obiettivo misurabile
Promosso
Cosa fa
Trasforma l'agente in un campionatore sequenziale per l'ottimizzazione black-box costosa: legge il codice, propone una configurazione, esegue il valutatore reale, registra tramite uno studio ask/tell e lascia che l'obiettivo misurato decida. Utilizzare per la messa a punto di iperparametri, inferenza, quant-strategy, RL o flussi di lavoro scientifici. Supportato dal pacchetto pip optim-agent.
Rapporto di test
Eseguita una minimizzazione black-box reale con 12 valutazioni in entrambi i modi: il ciclo ask/tell disciplinato della skill (baseline prima, poi esplorazione e sfruttamento della cronologia registrata) ha raggiunto l'obiettivo 0.03 proprio accanto all'ottimo reale, mentre la stima intuitiva senza aiuto si è bloccata a 1.58 con lo stesso budget -- circa il 98% in meno. Vale la pena segnalare che il pacchetto pip è essenzialmente un registro ask/tell (i suoi unici campionatori sono Random e AgentSampler), quindi il vantaggio deriva dal flusso di lavoro prescritto, non da un ottimizzatore bayesiano integrato.
Testato il: 2026-07-17 · Claude Code 2.x (agent harness)
Installazione
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
Comandi e prompt di esempio
/optim-agentCiclo ask/tell disciplinato per la messa a punto di parametri black-box rispetto a un obiettivo misurabile
Gli skill si attivano con richieste in linguaggio naturale, senza comandi da ricordare. Dopo l'installazione, prompt come questi lo attivano (in inglese):
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