Optim-Agent

Gedisciplineerde ask/tell loop voor black-box parameter tuning tegen een meetbaar objectief

Door Optim-Agent · Optim-Agent/optim-agent

Getest · Werkt ★ 8.4/10

Optim-Agent — Gedisciplineerde ask/tell loop voor black-box parameter tuning tegen een meetbaar objectief

Wat het doet

Verandert de agent in een sequentiële sampler voor dure black-box optimalisatie: lees de code, stel één configuratie voor, voer de echte evaluator uit, registreer via een ask/tell studie, en laat het gemeten objectief beslissen. Gebruik voor hyperparameter, inference, quant-strategy, RL of scientific-workflow tuning. Ondersteund door het pip pakket optim-agent.

Testrapport

Een echte 12-evaluatie black-box minimalisatie op twee manieren uitgevoerd: de gedisciplineerde ask/tell loop van de skill (baseline eerst, explore dan exploit over opgenomen geschiedenis) bereikte objectief 0.03 vlak naast het ware optimum, terwijl onondersteund intuïtief raden stagneerde op 1.58 met hetzelfde budget -- ongeveer 98% lager. Het is de moeite waard om te vermelden dat het pip pakket in wezen een ask/tell ledger is (de enige samplers zijn Random en AgentSampler), dus de winst komt van de voorgeschreven workflow, niet van een ingebouwde Bayesiaanse optimiser.

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

Installatie

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

Commando's en voorbeeldprompts

/optim-agentGedisciplineerde ask/tell loop voor black-box parameter tuning tegen een meetbaar objectief

Skills reageren op gewone verzoeken — geen commando's om te onthouden. Na installatie activeren prompts zoals deze de skill (in het Engels):

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

Volledig rapport (Engels) →