用途：Arbor 实现自主优化（AO）循环，从已有产物出发，围绕可度量目标反复实验与评估，适合需要大量迭代而非单次修改的任务，如模型训练配方调优、智能体/搜索框架提升通过率、数据合成管线改进、基准提交优化、可自动打分的提示词优化。
主要能力：采用假设树精炼（HTR），把研究状态保存在持久假设树中，每个节点绑定假设、提炼洞见和对应产物版本；协调者负责搜索决策，短生命周期执行子代理在隔离 git worktree 中各测一个假设；通过留出测试评估器的合并门控，只有通过测试评估的改动才被接纳，从而把试错变成可累积、可审计的研究。
使用方式：先确定任务元组 (M_0, O, E_dev, E_test)，即初始产物、目标与指标方向、开发评估器、留出测试评估器，并确保产物在 git 下可运行。初始化命令：python scripts/tree.py init --objective "..." --dev-eval "..." --test-eval "..." --material "." --metric-direction max --branching 3 --max-depth 2 --budget 12。随后每轮执行六步：Observe（python scripts/tree.py observe）、Ideate（add-node）、Select、Dispatch（隔离 worktree 并行执行）、Backpropagate（set-evidence、propagate）、Decide（prune 或 merge）。合并需在全新 worktree 运行测试评估器后执行 python scripts/tree.py merge --node n5 --test-score 67.67 --branch-ref "wt/n5"。
适用场景与限制：适合有明确产物、目标、评分方式和多轮实验预期的迭代优化；若只需单次修复或一次性答案则过重，若没有评估器的开放式构思应改用其他技能。必须区分开发与测试评估器，否则自主搜索会过拟合；执行子代理不得在指标停滞时更改假设。资料未提供具体收费、价格或平台支持信息。