用途：针对单一可量化指标（延迟、准确率、损失、分数等）做自主优化。条件是存在快速且确定性的评测流程，适合无人值守的过夜批量实验。
主要能力：智能体读取 program.md，编辑唯一可变文件（如 solution.py），运行评测命令，更新 results.tsv 记录，改进则保留提交，退步或崩溃则 git reset 回退；编排器只负责循环、在平台期切换提示词并执行停止条件。平台期判定用 bash 统计连续丢弃次数，达到 search.plateau_threshold 后下一轮注入联网搜索提示，以突破模型知识上限。
使用方式：在 fleet 根目录准备 fleet.json（指向问题目录、eval_command、metric_regex、metric_direction）、program.md（须写明 NEVER STOP）和评测命令；若用户未提供评测，可先查找 Makefile、package.json、pytest 标记等既有基准，否则在工作目录写 bench.sh/bench.py，输出单个数值并以非零码表示失败。随后执行 bash ${AGENTS_SKILLS_DIR}/scripts/launch.sh <fleet-root>，用 status.sh 监控，另有 view.sh、report.sh、pause.sh、resume.sh、kill.sh。
停止条件：stop_when.max_iterations、stop_when.cost_cap_usd，以及平台期。关键约束：评测输入应使用新鲜种子数据，避免被记忆化钻空子；git 操作用智能体而非编排器；搜索仅在卡住时触发，而非每轮都搜。
限制：资料未提供具体平台兼容性、依赖版本与收费信息；效果取决于评测确定性，未给出通用适用性证明。