用途：用于开放式、自主的机器学习研究循环，让每次改动都由对模型实际行为的分析驱动，而不是猜测。反馈信号是从运行日志中读取的标量指标，分析是决定改什么的骨干。可选开启文献检索，用已有研究为改动提供依据。每次迭代只改一处，使指标变化可归因。
主要能力：迭代1始终为未修改的基线；之后每轮先规划一处改动，改动须引用上一轮分析中的具体文件与数值/模式作为经验锚点。运行前先写分析计划（交付物表格），运行后强制执行诊断分析并产出真实文件，再记录台账并决定保留或回退。支持快照或 git 分支两种策略，含时间/轮次门控与文件编辑守卫（仅可编辑 <editable_files>，评测框架只读）。
使用方式：交互式解析绑定项，若工作目录已有 loop.run.yaml 则直接加载。否则在 Claude Code 上推断推荐值，其他宿主用纯文本提问，确认后写入 loop.run.yaml。分支策略执行 git checkout -b autoresearch/<run_tag>；时间门控写入 <sandbox_root>/run_with_timeout.sh（timeout $(( <budget> * 60 )) <entrypoint> "$@"）。初始化沙箱目录与 results.tsv 表头，循环执行快照、改动、分析、记录、保留/回退。
适用场景：需要每步改动都有分析依据的开放式 ML 研究；开启文献时适合已有大量公开研究的已知问题。
限制：不适用于单次训练、固定超参扫描或无标量指标的任务。文献工具链仅在开启时使用，失败时降级到宿主搜索，不得编造引用。具体安装与密钥细节以资料为准，其余未提供。