用途：把 autoresearch 泛化为领域自适应的改进循环，让智能体先发现该测什么，再运行提出→试验→保留或回退的纪律化闭环，并维护明确账本（尝试、保留、丢弃、已实现）。
主要能力与用法：运行开始时读一次 DESIGN.md 获取完整架构与领域张力（指标延迟/噪声/成本、Goodhart 博弈、单次试验成本、可逆性）。循环机制由 arl CLI 在 .auto/ 会话文件夹上处理，可用 node scripts/arl.mjs <cmd>（或在 PATH 上时用 arl），命令为 arl init|run|log|status；细节见 references/runtime-contract.md（.auto/ 布局、METRIC name=value 约定、MAD 置信度评分）。阶段为：Phase 0 FRAME 按 references/metric-discovery.md 做指标发现，选领域适配器、候选指标按可测性/延迟/噪声/对齐/可博弈性/成本打分，选定单一主目标、护栏指标、试验预算、停止条件与接受/拒绝策略，写 runs/<id>/CHARTER.md；Phase 1 BASELINE 写 .auto/measure.sh、arl init、arl run、arl log；Phase 2 LOOP 每轮读工件与日志尾部、提一个最小假设、直接改范围内文件、arl run 解析 METRIC 行与护栏检查、按策略决策并记录 --asi、--cost，keep 自动提交推进基线，discard 自动回退代码；Phase 3 ADAPT 每 N 轮剪除死角、重调预算、做 Goodhart 检查与代理退化检查。
适用场景：可重复且低成本测量的指标型改进任务，适配器覆盖代码性能审计、缺陷查找、代码生成、Google Ads、Web 引导等。
限制：无可信指标时不运行；变更面不可逆或实验性变更不安全（生产数据、面向客户不可逆操作）且适配器无明确回退程序时不运行。若基线无法干净可重复测量应停止。