用途：autoresearch 用于对任意优化目标（如降低延迟）执行严格的自主实验循环，把优化当作有纪律的研究过程而非碰运气刷分。
主要能力：开始前先澄清目标、主指标名称/单位/方向、最小有意义改进（默认1%）、真实负载命令、正确性门槛、可改动范围与预算，模糊时先提问。每次实验对应一个假设，用重复测量（默认2次预热、5次测量，以中位数决策）判断保留或丢弃。所有实验（含被否想法、崩溃、失败）写入机器可读的 JSONL 账本，并生成 CSV 与 HTML 报告、图表。
使用方式：脚本包括 scripts/init_experiment.py（初始化会话并确保 .autoresearch/ 不被跟踪、生成 autoresearch.md）、scripts/run_experiment.py（运行预热与测量、解析 METRIC 行、输出 JSON 记录）、scripts/log_experiment.py（追加账本并刷新 CSV/HTML）、scripts/render_report.py（重建报告）。典型流程为初始化会话后先记录基线，再逐个记录候选实验。示例：python3 scripts/init_experiment.py --goal "Reduce latency in hot path" --metric-name latency_ms --unit ms --direction lower --command ./autoresearch.sh --checks-command ./autoresearch.checks.sh --scope src/hot_path.ts；python3 scripts/run_experiment.py --id baseline --hypothesis "Control run" --change-summary "No code changes" --baseline --output .autoresearch/baseline.json；python3 scripts/log_experiment.py --input .autoresearch/baseline.json；python3 scripts/render_report.py。
适用场景：性能优化、参数调优等需要可复现、可审计证据链的优化任务，尤其适合需要区分真实提升与噪声的场景。
限制：需在专用 worktree 或干净分支运行，不应在有无关改动的脏树中使用；本地产物 .autoresearch/ 不入库，autoresearch.md、autoresearch.sh 需入库，正确性门槛存在时需 autoresearch.checks.sh；长跑时需注意日志膨胀、假设重复与收益停滞，应设停止条件并归档。资料未提供收费、价格、平台支持等细节。