Praxist：从实验产物到可追溯的方案演化谱系

自主研发代理现在在自动评估下编写、运行和改进可执行工件——但主要是作为实验室仪器：在策划的基准上显示，其收益很难追踪到原因，而且成本远高于持续工程实践所吸收的成本。这种限制是结构性的。大多数系统将每次尝试视为几乎独立的，因此日志、内存和搜索树会记录发生的情况，而不会确定哪个设计元素产生了改进，其证据是否经过验证，或者它如何与其他元素重新组合。因此，长期的竞选活动不断地重新吸取同样的教训。我们引入了 Praxist，一个以谱系为中心的代系统，它将可重复的工件和评估结果转换为发现结果、车道结构边界和议程的类型化证据图。将本地工件构建与队列级别证据合成分开，可以让以后的尝试继承经过验证的机制、未解决的声明和有用的约束，并将结果附加到可检查的谱系。在标准化的 75 项 MLE 基准套件上，最终的官方评分结果为 Praxist 提供了 60 枚奖牌 (80.0\%)，其中 49 枚金牌，而 Claude Opus 4.8 上的 Claude Code 基准则获得 55 枚奖牌 (73.3\%) 和 34 枚金牌——记录的模型支出为 3,054 美元，对比 38,370 美元，大约是成本。四个案例研究——定量交易、激光雷达惯性视觉 SLAM、托卡马克磁控制和火箭着陆——将相同的过程引入开放式工程问题中，在标题准确性、生存或资源成本方面改进每个任务的原生基线，并记录发现路径。据我们所知，花费少一个数量级的更强大的工件，每一个都由可审计的血统支持，首先聚集在这里：生产研究所需的操作配置文件，而不是基准演示建立的操作配置文件。