用途：Autoresearch 用于对某个可度量指标做自主优化研究。它围绕“提出假设—修改代码—运行基准—评估—保留或回滚”的循环工作，适合 ML 训练损失、测试运行时间、打包体积等可量化目标。
主要能力：设置阶段收集目标、运行命令、主指标及方向、可修改文件、约束和终止条件；创建分支与状态文件；运行基线并记录。循环中每次只验证一个假设，解析基准输出的 METRIC name=value 行，按主指标改进则保留、变差或持平则丢弃，同等性能下简化代码也算保留。支持可选的正确性检查脚本，崩溃或检查失败会记录并回滚。使用 JSONL 记录实验，包含 commit、指标、状态、描述和 ASI（可执行侧信息）；实验达 3 次以上后计算置信度，低于 1.0x 提示可能处于噪声范围。结束时可将保留实验分组为独立可合并的干净分支。
使用方式：需准备 autoresearch.md（研究文档）、autoresearch.sh（基准脚本，输出 METRIC 行）、可选 autoresearch.checks.sh（正确性检查），并用 autoresearch_helper.py 初始化、记录、评估和汇总。示例命令包括 git checkout -b autoresearch/<goal>-<date>、bash autoresearch.sh、python3 autoresearch_helper.py init/log/evaluate/status/summary。
适用场景：需要长时间自主迭代、跨会话续跑、且指标可自动测量的优化任务。
限制：资料未提供具体收费、价格、平台支持范围或效果保证；终止条件、文件范围和约束需由用户明确设定，否则无法确定何时停止。