用途：为长期自主优化运行设计优化目标（损失函数）与配套测试框架，而非直接解决任务。核心假设是接收 goal.md 的智能体会以最省力方式满足目标，因此需让真实能力成为最省力路径。
主要能力：分设计模式与补丁模式。设计模式按阶段推进：先观察环境（仓库、工具、可用接口、参考产物），再一次性批量询问用户未明确的信息（成果、评估来源与规模、预算、可触达范围、验收标准）；随后编写或读取 spec.md，将测试套件作为内循环、评估集作为外循环，并用 Stage 0 测试通过作为门槛；构建评估集（采集真实期望输出、去重、检查多样性、划分 dev 与 holdout）；设计损失函数（可机械计算、双向惩罚、泄漏审计、约束与容量上限、枚举作弊并配检测手段）；生成 harness 脚本（score.sh、lint.sh、probe.sh、status.sh）、eval 目录与 LOG.md；自行验证框架（校准、盲测、故意触发 lint）；红队模拟最懒智能体；最后输出 goal.md。补丁模式用于运行中作弊时修补损失函数而非智能体代码。
使用方式：按阶段执行，复用已有评分器与评估，不发布占位符；约束需配可检测工具，涉及评估内容的约束只能由 harness 检查。
适用场景：需要长期、稀疏反馈的自主优化任务，如 UI 克隆、检索、API 行为等。
限制：资料未提供具体安装命令、价格、平台支持或效果数据；评估集少于约 200 例需警告；需人工使用有消费限额的临时 API 密钥并盯守第一轮。