Um arquivo. Seu agente de codificação de IA se torna um cientista.
Derrubar researcher.md em Claude Code, Cursor ou qualquer agente que leia markdown. Ele projetará experimentos, testará hipóteses, descartará o que falha, manterá o que funciona – mais de 30 experimentos durante a noite enquanto você dorme.
Como é correr
Experimento 7 – Substitua a pesquisa de vizinho O (n ^ 2) pela árvore KD
Filial: pesquisa/redução de latência · Pai: #5 · Tipo: real
Hipótese: A pesquisa da árvore KD deve reduzir o p99 de 142ms para menos de 100ms
Mudanças: loop de força bruta trocado emspatial_index.pycomscipy.spatial.KDTree
Resultado: p99 = 89ms (era 142ms da linha de base, 118ms melhor) — novo melhor
Status: manterEntendimento: O gargalo sempre foi a busca do vizinho, não a pontuação. O experimento nº 3 (armazenamento em cache) tratou o sintoma.
| # | filial | métrica | status | descrição |
|---|---|---|---|---|
| 0 | pesquisa/redução de latência | 142,00 | manter | Medição de linha de base |
| 1 | pesquisa/redução de latência | 139,20 | descartar | Adicionar cache de resposta |
| 2 | pesquisa/redução de latência | 141,50 | descartar | Ajuste de pool de conexões |
| 3 | pesquisa/redução de latência | 135,80 | descartar | Cache LRU no caminho ativo |
| 5 | pesquisa/redução de latência | 118,00 | manter | Consultas de banco de dados em lote |
| 7 | pesquisa/redução de latência | 89,00 | manter | Pesquisa de vizinho de árvore KD |
O exemplo é simulado. A habilidade funciona em qualquer base de código – execute-a e compartilhe seus resultados reais.
Qualquer coisa onde você possa medir ou avaliar um resultado:
- Latência da API — p50, p99, rendimento
- Velocidade de teste — suíte de tempo de execução, estratégias de paralelização
- Tamanho do pacote – agitação de árvores, divisão de código, trocas de dependências
- Engenharia imediata — precisão, custo, uso de token
- Ajuste de algoritmo — complexidade de tempo de execução, uso de memória
- Otimização de configuração — Configurações de banco de dados, tamanhos de cache, pools de threads
O agente entrevista você sobre o que otimizar, monta um laboratório em uma ramificação git e depois trabalha de forma autônoma — pensando, testando, refletindo — comprometendo-se antes de cada experimento, revertendo em caso de falha, registrando tudo. Ele bifurca ramos para explorar abordagens divergentes, detecta quando está preso e continua até que você o pare ou atinja um alvo.
Generaliza a pesquisa automática além do ML: oferece suporte a experimentos mentais, ramificação não linear, métricas qualitativas, sinais de convergência e retomada de sessão.
Toda a história dos experimentos vive em um local não rastreado .lab/ diretório que sobrevive a todas as operações git — git gerencia código, .lab/ gerencia o conhecimento.
COM
Se isso for útil, marque o repositório com estrela e compartilhe o que você descobriu.
Fonte: theverge
