RO
Geodi, personajul pixelat oficial al GEODE
Înapoi în sală

GEODE

Autonomous Agent Harness

De la observație la următoarea acțiune.

Un cadru local pentru agenți autonomi, căruia i se pot încredința cercetare, lucru cu fișiere și sarcini programate.

2026.02.21 — present

Proiectare, judecată, verificare: Author · implementare: Claude · revizuire: Codex

  • CLIPublicat · PyPI
  • Server MCPImplementat

Acceptarea candidatului și dreptul de lansare sunt judecăți separate.

Crucible este un nucleu experimental separat de căutarea de politici. Un commit candidat este validat în raport cu suprafețele permise și un contract înghețat, sarcinile pereche sunt agregate într-un checkout de măsurare separat, iar rezultatul este KEEP, REJECT sau INVALID.

Harta Crucible · desenată după commitul fixat 9e2c041 și artefactele publice 23e3428
Harta Crucible în GEODEUn nucleu experimental care păstrează acceptarea candidatului, eligibilitatea sigilată și lansarea produsului ca drepturi de decizie separate. Supervisorul primește un singur commit candidat de la un producător, îl verifică în raport cu suprafața permisă și evaluatorul înghețat și rulează sarcini tau2 într-un checkout de măsurare izolat. promotion.py agregă rezultatele pereche pe sarcini și familii preînregistrate în KEEP, REJECT sau INVALID; KEEP mută doar head-ul căutării. Evaluarea sigilată judecă un train bundle pe un pachet de test disjunct, folosit o singură dată; chiar și ELIGIBLE ajunge doar la un ref eligible, fără drept de lansare.Modele actor · utilizatorr14 · r35: gpt-5.4/highMediul tau2sarcini · utilizator simulatLansarea produsului GEODEfără conexiune · drept separatsearch/producerscomanda producătorului · configuratăreplay producersearch/supervisor.pypropose → preflightevaluate → decide → recordcontract.pysuprafață permisă · diff candidatevaluator înghețat · preînregistratattempt/feedback.jsoncoduri de eșec · ID-uri de sarcini trainmeasurement checkoutizolat de producătorassays/rulare tau2 · receiptverificatorul sarciniipromotion.pypereche · sarcină · agregare pe familiiKEEP · REJECT · INVALIDattestation/bundle.pytrain bundle · KEEP recalculatattestation/sealed.pypachet de test disjunct · folosit o datăELIGIBLE · release_authority nonerefs/cruciblesearch/* headeligible/*geode-eval-artifactsr14 · train KEEP → sealed REJECTr35 · INVALID · 0 perechi · nullevolve/cruciblenucleu experimental extern · separat de SILcăutare · verdict pe trainattestation · sealed1 cerere de candidat · propose → preflight → search/producers12 un singur commit candidat · search/producers → propose → preflight23 suprafață permisă · verificarea diff-ului · propose → preflight → suprafață permisă · diff candidat34checkout izolat5rulare sub un contract fix6dialog actor · utilizator7apeluri de model8paired evidence9agregare preînregistrată10KEEP · head-ul se mută1paired evidence2agregare preînregistrată3REJECT · INVALID4coduri de eșec · ID-uri de sarcini1record · ref receipt2 doar train bundle · o dată · train bundle · KEEP recalculat → pachet de test disjunct · folosit o dată23 doar ref eligible · ELIGIBLE · release_authority none → eligible/*31verdict.json public2sealed decision.json

Verdict pe train

Un singur candidat din suprafața permisă este măsurat sub un contract fix într-un checkout izolat, iar regulile preînregistrate decid KEEP, REJECT sau INVALID.

  1. propose → preflightsearch/supervisor.pycerere de candidatsearch/producers

    Supervisorul căutării cere un candidat unui producător. Candidatul r14 a fost un candidat anterior (r13) reaplicat de producătorul replay, nu unul nou, generat de un LLM.

  2. search/producersun singur commit candidatpropose → preflightsearch/supervisor.py

    Un producător returnează un singur commit candidat în cadrul căilor permise.

  3. propose → preflightsearch/supervisor.pysuprafață permisă · verificarea diff-uluisuprafață permisă · diff candidatcontract.py

    Diff-ul candidat trebuie să rămână în suprafața permisă de contract, iar evaluatorul înghețat este verificat. În r14 și r35 ținta permisă a fost un singur fișier, tau2_agent_policy.md; core și implementarea Crucible au fost fixate drept calea evaluatorului.

  4. evaluate → decide → recordsearch/supervisor.pycheckout izolatizolat de producătormeasurement checkout

    Candidatul este verificat într-un checkout de măsurare separat de producător.

  5. izolat de producătormeasurement checkoutrulare sub un contract fixrulare tau2 · receiptassays/

    Referința și candidatul rulează cu același contract, același seed și aceleași sarcini.

  6. rulare tau2 · receiptassays/dialog actor · utilizatorMediul tau2

    Agentul GEODE (actor) vorbește cu utilizatorul simulat deținut de evaluator în mediul de sarcini tau2.

  7. rulare tau2 · receiptassays/apeluri de modelModele actor · utilizator

    În r14 și r35, atât actorul, cât și utilizatorul simulat au fost gpt-5.4/high (abonament).

  8. verificatorul sarciniiassays/paired evidencepereche · sarcină · agregare pe familiipromotion.py

    Rezultatele verificatorului sarcinii sunt păstrate ca perechi referință–candidat.

  9. evaluator înghețat · preînregistratcontract.pyagregare preînregistratăpereche · sarcină · agregare pe familiipromotion.py

    Rezultatele pereche sunt agregate pe sarcini și pe familii preînregistrate, iar condițiile de buget, acoperire, infrastructură și siguranță sunt verificate separat.

  10. KEEP · REJECT · INVALIDpromotion.pyKEEP · head-ul se mutăsearch/* headrefs/crucible

    La KEEP, următorul head refs/crucible/search/* devine candidatul. promotion_authority al unui verdict pe train este none.

Respingere · invalid · feedback

REJECT și INVALID păstrează head-ul, iar următorul candidat primește doar coduri de eșec și ID-uri fixe de sarcini train. INVALID nu este un scor zero.

  1. verificatorul sarciniiassays/paired evidencepereche · sarcină · agregare pe familiipromotion.py

    Rezultatele verificatorului sarcinii sunt păstrate ca perechi referință–candidat.

  2. evaluator înghețat · preînregistratcontract.pyagregare preînregistratăpereche · sarcină · agregare pe familiipromotion.py

    Rezultatele pereche sunt agregate pe sarcini și pe familii preînregistrate, iar condițiile de buget, acoperire, infrastructură și siguranță sunt verificate separat.

  3. KEEP · REJECT · INVALIDpromotion.pyREJECT · INVALIDcoduri de eșec · ID-uri de sarcini trainattempt/feedback.json

    La respingere sau invaliditate, head-ul anterior rămâne, iar candidatul și înregistrările lui sunt păstrate. Media unui INVALID este null, nu zero.

  4. coduri de eșec · ID-uri de sarcini trainattempt/feedback.jsoncoduri de eșec · ID-uri de sarcinisearch/producers

    Feedbackul pentru următorul candidat se limitează la coduri de eșec și ID-uri fixe de sarcini train; nu se transmit traiectoriile sau răspunsurile evaluatorului.

Eligibilitate sigilată · drept separat

KEEP pe train mută doar head-ul căutării. Eligibilitatea sigilată ajunge doar la ref-ul eligible; lansarea produsului și implementarea sunt drepturi separate, în afara Crucible.

  1. evaluate → decide → recordsearch/supervisor.pyrecord · ref receipttrain bundle · KEEP recalculatattestation/bundle.py

    Un train bundle este valid doar când contractul, dovezile pentru referință și candidat, KEEP-ul recalculat, descendența propunerii, înregistrarea supervisorului și confirmarea ref-ului aplicat se leagă toate. Nu este alt nume pentru îmbunătățire.

  2. train bundle · KEEP recalculatattestation/bundle.pydoar train bundle · o datăpachet de test disjunct · folosit o datăattestation/sealed.py

    Evaluarea sigilată folosește o singură dată un pachet de test disjunct de train, cu zero reîncercări de infrastructură.

  3. ELIGIBLE · release_authority noneattestation/sealed.pydoar ref eligibleeligible/*refs/crucible

    Chiar și ELIGIBLE scrie doar refs/crucible/eligible/*, iar release_authority este fixat la none.

Înregistrări publice · r14 · r35

r14 a fost KEEP pe train, apoi REJECT sigilat; r35 (13 iulie 2026) a fost INVALID din cauza acoperirii incomplete și a contaminării infrastructurii (0 rânduri pereche, media null), cu head-ul neschimbat.

  1. KEEP · REJECT · INVALIDpromotion.pyverdict.json publicgeode-eval-artifacts

    Artefactele publice sunt înregistrări normalizate fixate la 23e3428. Hash-ul preînregistrat al configurației train din r14 diferă de octeții configurației publice, așa că lanțul original complet nu este recertificat.

  2. attestation/sealed.pysealed decision.jsonr14 · train KEEP → sealed REJECTgeode-eval-artifacts

    r14: KEEP pe telecom train, 6 sarcini × 1 încercare (6 rânduri pereche, fără drept de promovare), apoi un verdict sigilat separat REJECT (fără drept de lansare).

Fiecare conexiune cu aceeași grosime. Alegeți un flux pentru a evidenția doar traseul lui, cu pași numerotați.

  • Continuă · direcția în care circulă cererile, candidații și rezultatele
  • Întreruptă · rulare, decizie, autorizare, configurare
  • Linie neagră groasă · fluxul selectat; numerele dau ordinea
  • Casetă · o graniță de cod sau de înregistrări, cu calea în antet
  • Etichetă interioară · o componentă din acea graniță
  • Casetă întreruptă · în afara acelei granițe
  • supervisorul căutării
  • contract · verdict · atestare
  • ref-uri · înregistrări
  • producători · execuție

Crucible este un nucleu separat de SIL; cele două căutări nu formează un singur pipeline care să promoveze candidații celeilalte. Caseta lansării produsului nu are nicio conexiune de intrare.

Trei drepturi de decizie
KEEP pe train mută head-ul căutării, ELIGIBLE sigilat înregistrează un ref eligible, iar lansarea produsului este o decizie separată, în afara Crucible. Un verdict anterior nu acordă niciodată un drept ulterior.
Null nu este zero
r35 a planificat 9 sarcini × 3 încercări (27 de rânduri pe braț), dar a avut 0 perechi comparabile, așa că media și îmbunătățirea sunt null. Nu înseamnă 27 de sarcini eșuate sau o rată de reușită de 0%.