用途：面向特征组级探索的自主实验循环，适合回答“哪些特征组有用”“批量对比不同特征组贡献”“自动特征选择”“消融分析”等问题。
主要能力：自动按前缀聚合发现特征分组（如 firefly_、mob3_、umeng_*）；四阶段流程为组独立评估、组间增量叠加、组级消融分析、组内精细筛选；每轮输出探索策略、假设、新增/移除特征、训练与测试指标、与基线对比、显著性检验和决策理由；使用 MAD 倍数判断改进是否显著（≥2.0× 为 PASS，1.0-2.0× 为 EDGE，<1.0× 为 FAIL）。
使用方式：通过命令行运行，例如 python scripts/run_experiment.py --data_path ./data.parquet --target y_label --exploration "不同特征组对mob3逾期的贡献" --max_rounds 10 --output_dir ./outputs/exp。必选参数为 --data_path、--target、--exploration；可选参数包括 --max_rounds（默认5）、--metric（auc/ks，默认ks）、--direction、--significance（默认2.0）、--baseline_features（JSON）、--time_col（默认busi_dt）、--train_filter、--val_filter、--oot_filter、--val_ratio（默认0.25）、--oot_ratio（默认0.20）、--output_dir、--config。
适用场景：探索各特征组贡献、探索特定时间窗口特征、在已有基线上探索新组。
限制：目标变量需为 0/1 二分类；--test_filter 已废弃，等价于 --val_filter；轮数建议设为特征组数的 2-3 倍；数据量小时可适当降低显著性阈值；报告和模型保存到 output_dir。其他细节暂未提供。