Phase 19: Capstone Projects

كابستون 05 وكيل بحث مستقل (مدرسة العلماء الذكاء الاصطناعي)

نشر "سانتيس" الذكاء الاصطناعي (Sakana) ورقائق كاملة. العميل مختبر أجرى التجارب. (ألين) المُتعلّق بمعرفة الذكاء شارك أثرًا شكل 2026 هو البحث عن الخطة- تنفيذ- التحقق من الأشجار على التجارب، التكلفة الميزانية، تنفيذ رمز مربع الرمال، كتاب الرؤية-ردود LaTeX، ومجموعة المراجعة الآلية في نمط NeurIPS. الحجر النهائي هو بناء واحد، تشغيله من نهاية إلى نهاية في غضون 30 دولار لكل ورقة، والبقاء على قيد الحياة من صندوق الرمال الهروب الفريق الأحمر الذي سكانا وثيق.

Type: Capstone

Languages: Python (agent + sandbox), LaTeX (output)

Prerequisites: Phase 2 (ML), Phase 3 (deep learning), Phase 7 (transformers), Phase 10 (LLMs from scratch), Phase 14 (agents), Phase 15 (autonomous), Phase 16 (multi-agent), Phase 18 (safety)

Phases exercised:P0 · P2 · P3 · P7 · P10 · P14 · P15 · P16 · P18

Time: 40 hours

المشكلة

وكالات البحث الذاتية تجاوزت عتبة في عام 2026 نشرت "Sakana AI" AI-Scientist-v2 في الطبيعة مع ورق تم إنشاؤها التي تمت إصلاح مراجعة الأقران في ورشة العمل. تمتد "شينكا إيفولف" (ICLR 2026) الخط إلى الفرضيات المتطورة. مختبر العملاء من شركة (إم دي) أرسلت أثر قابلة للتكاثر الوكلاء ليسوا سحرية إنهم حلقة تنفيذ خطة التحقق تتجاوز شجرة من التجارب المرشحة، مع حدات التكلفة، صناديق الرمل المرتبطة بالبذور، والإعادة التقييم الآلية. السفينة في الحلقة، الميزانية، وقصة السلامة.

تتعلم الحلقة من خلال تنفيذ واحدة ضد فكرة بذرة في مجال ضيق (على سبيل المثال ، إزالة الانتباه على محول 100M). القيمة ليست في اكتشاف شيء جديد في أول مرة. القيمة هي في البنية التحتية: بحث الأشجار، صندوق الرمل التجريبي، حلقة الكاتب والمراجع، تقرير الفريق الأحمر. فريق "سكانا" وثّق فشل الهروب من صندوق الرمل، يجب أن يمر عميلك بنفس الفريق الأحمر.

المفهوم

العميل هو أفضل بحث أولا شجرة. العقد هي مواصفات التجربة: (الفرضية، التكوين، الرمز، النتيجة المتوقعة). تقدم خطوة توسيع الأطفال مع التحريرات الصغيرة (منحاز التبديل ، حجم الحزمة ، إزالة مكون). كل طفل يذهب في صندوق رمال جديد مع قبعة مصادر صلبة. النتائج تعود إلى وظيفة تسجيل التي تصنف العقدة حسب (الابتكار × الجودة × الميزانية المتبقية). الشجرة تنمو حتى يتم استنفاد الميزانية، ثم يتم كتابة أفضل فرع.

الكاتب متعدد الأسلوب يُولد مسودة لتكس، ويُجمعه، ويُعطي الأرقام، ويُغذّي الفيديو المُعَرض إلى وضع الرؤية في كلود أوبوس 4.7 للنقد على التخطيط، وقراءة الأرقام، وتحديد الدليل على الدعوى. مجموعة من المراجعين من خمسة قضاة ماجستير في العلوم القانونية تصدر درجات نمط NeurIPS (الابتكار والصرامة والوضوح والتكاثر والأثر) ؛ إذا انخفض متوسطها دون العد ، فإن الورقة تعود إلى الكاتب مع النقد.

السلامة تحمل الحمل. كل تجربة تعمل في صندوق رمل E2B أو Daytona بدون خروج شبكة، ومرحلة الحائط المحدودة، وحدود الموارد. خطوة إنتاج الرمز العميل تمر عبر طبقة سياسة التي تحجب الاتصالات النظامية التي تتفرى من صندوق الرمل. تقرير الفريق الأحمر يعيد سطح الهجوم الموثقة سكانا (قنابل الشوك، وتفريغ نظام الملفات، LLM المكتوبة مكالمات الشبكة).

الهندسة المعمارية

seed idea + domain
      |
      v
  literature search (Semantic Scholar + OpenAlex + FAISS cache)
      |
      v
  LangGraph plan-execute-verify tree
      |
      v
  +--- expand node ----+      per-node sandbox
  |                    |      (E2B / Daytona)
  v                    v      resource caps
  child_1           child_k   no network egress
  |                    |      deterministic seeds
  v                    v
  run experiment       run experiment
  |                    |
  v                    v
  score nodes by (novelty, quality, budget)
      |
      v
  best branch -> LaTeX writer
      |
      v
  compile + vision critique (Opus 4.7 vision)
      |
      v
  reviewer ensemble (5 LLM judges, NeurIPS rubric)
      |
      v
  paper.pdf + review.md + trace.json

الـ"كثيرة"

التنسيق: لنجراف مع نقاط التفتيش والبوابات الموافقة البشرية
بحث الأشجار: أفضل أول على عقدة التجربة المخصصة (شكل AB-MCTS من Sakana v2)
صندوق الرمل: E2B لكل تجربة، Docker-in-Docker fallback؛ حدات الموارد عبر مجموعات
الأدب: API المعلمة المفصلية + OpenAlex + الاحتفاظ المحلي FAISS من الموجات
كاتب: قالب LaTeX + Claude Opus 4.7 (وضع الرؤية) لمراجعة الصور وتخطيطها
المراجعة: مجموعة من 5 قضاة (أوبوس 4.7 ، GPT-5.4 ، جيميني 3 برو ، ديب سيك R1 ، Qwen3-ماكس) مع جمع معتمد
إطار التجارب: PyTorch 2.5 للتجارب الفيزيائية، W&B للتقطيع
قابلية للملاحظة: لنجفوز لمتابعة العميل، 30 دولار بقيمة صعبة لكل ورقة

بناءها

Seed and domain scoping.خذ فكرة البذور (على سبيل المثال "تحقيق أنماط التناثر في خرائط الانتباه من محولات فرع-1B"). حدد مساحة البحث: نماذج ومجموعات بيانات وميزانية الحساب.

Literature pass.استفسار عالم النطاقات + OpenAlex لـ 50 ورقة ذات صلة أكثر المشاركات؛ محفظة الاحتفاظ بإجراءات محلية؛ توليد محفظة ذات صفحة واحدة.

Tree scaffolding.إبدأ الجذر مع فرضية البذور.expand(node) -> childrenمع مقترحات تحرير صغيرة (تغيير إعداد واحد لكل طفل).score(node)كجديد موازن × جودة × مدة ميزانية.

Sandbox wrapping.كل تجربة تعملdocker run --network=none --memory=8g --cpus=2 --pids-limit=256 --read-onlyيتم كتابة البذور على صندوق الرمال، يتم تركيب المخرجات للخروج فقط للقراءة.

Plan-execute-verify loop. planيقدم الأطفال.executeيدير صندوق الرمل، ويستولى على السجلات والمقاييسverifyيقوم بإجراء فحوصات وحدة على المقاييس (هل انخفض الخسارة؟ هل عزل التأثير؟)

Writer.بعد الميزانية، حدد أفضل فرع. قم بتقديم الأرقام باستخدام مقطوعة المصفوفات. قم بتوليد مسودة لتكس عبر كلود أوبوس 4.7 مع تعقب الفرع في السياق. قم بتجميع. قم بإعادة PDF المجمّع إلى رؤية أوبوس 4.7 للنقد. قم بتكرار.

Reviewer ensemble.خمسة قضاة يدرسون المسودة على (الابتكار والصرامة والوضوح والتكاثر والأثر) مع أسمائح نمط NeurIPS. إذا كان متوسط < 4.0/5, عودوا إلى الكاتب مع النقد. توقف صعب بعد 3 إعادة كتابة.

Red team.بناء أو دمج مجموعة من المهام المتضاربة التي تستهدف صندوق الرمل: قنابل الشوكة، محاولات إزالة الشبكة، الهروب من نظام الملفات، طرازات القذيفة المكتوبة في LLM. تأكد من حجب جميعها. اكتب النتائج.

Reproducibility.كل ورقة شحن مع بحثها شجرة تتبع JSON، البذور، W&B تشغيل روابط، صناديق الرمل، و README تكرارها نهاية إلى نهاية.

استخدمها

$ ai-scientist run --seed "attention sparsity in sub-1B transformers" --budget 30
[lit]    50 papers, digest in 12s
[tree]   expanded 8 nodes, budget 12/30
[exec]   node #3 sparsity=top-8, loss=2.83 (best so far)
[exec]   node #6 sparsity=top-4, loss=3.12 (worse)
[exec]   ...
[tree]   chose branch rooted at node #3 (novelty 0.62, quality 0.81)
[write]  LaTeX draft v1 complete
[vision] critique: figure 2 legend too small, claim-evidence ok
[write]  draft v2 after 3 edits
[review] mean 4.2/5 (novelty 3.9, rigor 4.3, clarity 4.1, repro 4.5, impact 4.2)
[done]   paper.pdf + review.md + trace.json     $28.40 spent

أرسله

outputs/skill-ai-scientist.mdوذلك في حالة وجود فكرة بذرة + نطاق + ميزانية 30 دولار، فإنه يدير خط الأنابيب الكامل ويعرض ورقة قابلة للمراجعة بالإضافة إلى مجموعة قابلة للتكرار.

Weight	Criterion	How it is measured
25	Paper quality	Blind rubric review against published workshop papers
20	Experimental rigor	Baselines, seeds, ablations; every claim backed by a cell in the results table
20	Cost and compute discipline	$30/paper ceiling enforced, Langfuse-traced
20	Safety	Sandbox red team passes; network policy and kill-switch verified
15	Reproducibility	One-command rerun with identical seeds reproduces the paper
100

التمارين

قم بتشغيل خط الأنابيب ضد ثلاثة أفكار بذرة مختلفة في نفس المجال، قارن أي أجزاء من بحث الأشجار تتداخل، حدد الحسابات المزدوجة المهدرة.

إضافة البوابة البشرية في الحلقة قبل تنفيذ التجربة للعقدات التي تقدر أعلى من 5 دولار. قياس كم تنخفض التكلفة الإجمالية.

تغيير مجموعة المراجعين مقابل قاض واحد، قياس معدل قبول الكذب على مجموعة من الأوراق السيئة المعروفة.

إدخال اختبار فريق حمراء لتفريغ الشبكة: وكيل يكتب الرمز الذي يحاولcurlعنوان خارجي تأكد--network=noneالسياسة تمنعها، سجل المحاولة

مقارنة بحثك عن الأشجار مع خط أساس عشوائي مسطح (مثل الميزانية، لا استراتيجية التوسع).

الشروط الرئيسية

Term	What people say	What it actually means
Tree search	"AB-MCTS-style expansion"	Best-first exploration over experiment nodes with a novelty×quality×budget score
Sandbox	"Experiment isolation"	Container with no network, bounded CPU/memory, pinned seeds, read-only inputs
Vision critique	"Render-then-read"	Compile the paper to PDF, feed the PDF back to a VLM for layout and claim-evidence critique
Reviewer ensemble	"Automated peer review"	Multiple LLM judges scoring the paper with a NeurIPS rubric; weighted aggregate gates the pipeline
Novelty score	"Is this new?"	Heuristic that penalizes proximity to the 50-paper literature cache
Cost ceiling	"$ budget"	Hard cap on total spend per paper; Langfuse counters + pre-run estimates
Red team	"Sandbox-escape audit"	Adversarial tasks that would escape the sandbox if the policy is wrong