Optim-Agent

Disciplinerad ask/tell-loop för black-box parameterjustering mot ett mätbart mål

av Optim-Agent · Optim-Agent/optim-agent

Testad · Fungerar ★ 8.4/10

Optim-Agent — Disciplinerad ask/tell-loop för black-box parameterjustering mot ett mätbart mål

Vad den gör

Förvandlar agenten till en sekventiell sampler för dyr black-box optimering: läs koden, föreslå en config, kör den verkliga utvärderaren, registrera via en ask/tell-studie och låt det uppmätta målet avgöra. Används för justering av hyperparameter, inference, quant-strategy, RL eller scientific-workflow. Stöds av pip-paketet optim-agent.

Testrapport

Körde en verklig 12-utvärderings black-box minimering på två sätt: färdighetens disciplinerade ask/tell-loop (baseline först, utforska sedan utnyttja över inspelad historik) nådde objektiv 0.03 precis bredvid det sanna optimum, medan oassisterad intuition-gissning stannade vid 1.58 med samma budget – cirka 98% lägre. Värt att notera är att pip-paketet i huvudsak är en ask/tell-ledger (dess enda samplers är Random och AgentSampler), så vinsten kommer från det föreskrivna arbetsflödet, inte en inbyggd Bayesian optimiser.

Testad: 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

Kommandon och exempelprompter

/optim-agentDisciplinerad ask/tell-loop för black-box parameterjustering mot ett mätbart mål

Skills triggas av vanliga förfrågningar — inga kommandon att memorera. Efter installationen aktiverar prompter som dessa skillen (på engelska):

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

Läs hela rapporten →