用途：Arbor 用于对具体产物进行迭代式自主优化。适用场景包括模型训练（调整优化器、架构或配方以降低损失）、智能体/框架工程（提升通过率或准确率）、数据合成管线改进、基准优化（如 MLE-bench/Kaggle 风格任务）以及可自动评分的提示词优化。若只需单次修复或无评估器的开放式构思，则不适合使用。
主要能力：实现假设树精炼（HTR）。研究状态保存在持久假设树中，每个节点绑定假设、提炼的洞见与对应产物版本。协调者拥有树并决定搜索方向，短生命周期执行子智能体在隔离 git worktree 中各测试一个假设。保留的合并门仅在候选通过从未参与搜索的测试评估器时才接纳变更。
使用方式：先确定任务元组（初始产物 M_0、目标 O、开发评估器 E_dev、留出测试评估器 E_test），并初始化运行：python scripts/tree.py init --objective "..." --dev-eval "..." --test-eval "..." --material "." --metric-direction max --branching 3 --max-depth 2 --budget 12。随后循环执行六步：观察（tree.py observe）、构思（add-node）、选择、派发（隔离 worktree 中运行执行子智能体）、反向传播（set-evidence、propagate）、决策（prune 或 merge）。每轮用 tree.py cycle 跟踪预算。
限制：需要可修改的产物、明确目标、可评分候选及多轮实验预期；必须构建开发/测试分离，否则自主搜索会过拟合。执行子智能体不得在指标停滞时更改假设。资料未提供具体收费、价格或平台信息。