用途：Arbor 实现自主优化（AO）循环，从已有产物和可度量目标出发，经多轮实验与评估持续改进，适合需要组织数十次试验、让经验累积而非消散的迭代任务。
主要能力：基于 Arbor（Jin 等，2026）的假设树精炼（HTR），将研究状态保存在持久假设树中，每个节点绑定假设、提炼洞见和产物版本指针。协调者拥有树并决定搜索方向，短生命周期执行子代理在隔离 git worktree 中各测一个假设并回报。留出合并门仅在候选改进测试评估器时接纳变更。
使用方式：先确定任务元组（M_0 初始产物、O 目标、E_dev 开发评估器、E_test 留出测试评估器），冻结评估器、数据划分与指标。设置 ARBOR_TREE 指向 scripts/tree.py，在实验项目目录运行 init、baseline，然后循环执行 observe、ideate、select、dispatch、backpropagate、decide 六步，用 add-node、set-evidence、propagate、prune、merge 等命令记录证据与决策。
适用场景：模型训练、智能体/框架工程、数据合成、基准优化、可自动评分的提示优化。
限制：tree.py 只记录分数与决策，不运行评估器、不创建 worktree、不验证 Git 引用或合并分支；仅协调者串行写共享状态，无多写锁。若只需单次修复或无评估器的开放式构思，则不适用。缺少干净开发/测试划分时需自行构建并说明，否则结果只能标为仅开发。辅助设置仅为建议，停止限制需协调者自行执行。捆绑助手仅用合成记录测试，未复现论文基准或付费自主运行。