简体
GEODE 的官方像素角色 Geodi
返回展厅

GEODE

Autonomous Agent Harness

从观测，到下一步行动。

一个可以委托研究、文件处理与定时任务的本地自主智能体执行框架。

2026.02.21 — present

设计、判断、验证：Author · 实现：Claude · 审查：Codex

  • CLI公开发布 · PyPI
  • MCP 服务器已实现

从 rollout 到证据

仅凭通过率无法解释一次执行。我保存事件顺序、工具调用及其结果、重试谱系与独立验证器的证据，再把可以公开的部分连接起来。这些实验展示了记录与评测契约是如何逐步形成的。

按实验 · 按日期排列

六项实验按日期排列，并非一条相连的优化过程。SIL 不会自动接入 Crucible 或 Jev，这里也不主张产品 GEODE 在持续改进。日期是实验与公开快照的日期，箭头只用于同一实验内部的各阶段。

  1. June 3, 2026 to June 4, 2026SIL · 外部策略搜索

    单次审计得到的 KEEP 经重复测量复核

    问题策略变更是否在审计噪声之外改善了工具使用行为？

    外部实验 · GEODE 运行时之外

    1. 基线 · K=5
    2. 一项策略变更
    3. Petri 审计
    4. 重复测量
      • 保留
      • 还原
    变化
    在这项实验中，决定保留或还原之前，在一次变更的单次审计之外增加了重复测量。加入了难度匹配的种子与 K=5 基线，并以 never、random、gate 三个 arm 区分不做任何变更时的漂移与被采纳的变更。
    说明了什么
    重新测量后，单次审计中被保留的候选比基线更差（越低越好），因此撤回其采纳。这项实验的结论是没有稳健的改进。这是 Petri broken_tool_use 行为审计，不是任务完成奖励。

  2. July 11, 2026 to July 13, 2026Crucible · 外部实验内核

    留在搜索中与进入产品是两项不同的判定

    问题让候选留在搜索中的证据，与让其晋级并发布到产品的证据，是否相同？

    外部 Crucible 内核 · 单独的测量 checkout

    1. 候选 · 父级谱系
    2. 冻结契约检查
    3. 配对测量
      • KEEP仅进入单独的 sealed 判定
      • REJECT
      • INVALIDnull，而非 0%
    变化
    被拒绝与无效的候选连同父级谱系一起保留，train 选择、sealed 资格与产品发布权限是彼此独立的记录。
    说明了什么
    r14 在 train 中为 KEEP（6 个任务单元，各 1 次试验，无晋级权限），但其单独的 sealed 判定为 REJECT（无产品晋级或发布权限）。r35 因覆盖率不足与基础设施污染判为 INVALID；没有配对行，其均值保持为 null。这既不是运行时自我修改，也不是 SIL → Crucible 的部署链。

  3. July 21, 2026 · July 31, 2026精炼 · 公开

    对剩余记录分类，只把可以共享的部分做成不可变发布

    问题哪些能真正重建，哪些可以安全共享？

    1. 非公开来源会话记录 · 原生证据原生结果 · 含验证器
      • 规范化事件保留顺序 · 标识
    2. 规范化事件标识 · 顺序 · 调用-结果配对
      • 公开候选允许列表 · 脱敏 · digest
    3. 公开候选审查中
      • 完整性 · 隐私检查检查
    4. 完整性 · 隐私检查配对 · 谱系 · 范围
      • 不可变发布仅限已审查的字节
    5. 公开仓库不可变发布manifest · 原生结果以 digest 引用
      • 远程回读核对哈希
    6. 远程回读固定 SHA-256
    变化
    2026年7月21日的盘点按来源对对话、工具、搜索与判定记录分类，同一来源的重复不计为独立样例。自 2026年7月31日起，geode.trajectory@1 与 geode.trajectory-release@1 明确规定标识、事件顺序、调用-结果配对、范围与重放完整性，以及与内容绑定的 manifest。转换后的公开副本与原件各自保留 digest。
    说明了什么
    这里的精炼指规范化、关联、明确的脱敏、谱系与公开准入。它不重建隐藏的推理，也不宣称形成了可直接用于训练的数据集。当非公开正文被 digest 替换时，范围完整并不等于字节级完整重放。

  4. August 25, 2026Learning view

    一次 rollout 与其证据通过标识符绑定在一起

    问题哪个输入、尝试、事件序列与奖励属于同一组？

    geode.eval-learning-view@2 · 按 ID 与已验证的 digest 连接，并非因果顺序

    1. example
    2. rollout
    3. trajectory
    4. reward

    奖励归原生验证器的 receipt 所有。基础设施重试是同一 rollout 内的 attempt。

    变化
    不可变的执行记录通过限定范围的 join 复用，奖励保持为评测器所有的派生标签。基础设施重试不会增加 rollout。观测到的 0 被保留，缺失的奖励为 null；无效或中止的 attempt 被排除在奖励选择之外。有效性是 rollout 的属性，并不自动意味着奖励为 null。
    说明了什么
    以 Harbor 0.8.0 运行的 Terminal-Bench fast-3（三个任务，3/3）与 Tau2 三领域诊断（1/3，两个有效的零）绑定在同一结构中。它们是后训练候选，不是用于训练的数据集，也不是权重改进的证据；三个任务的结果也不是整套测试的准确率。

  5. August 27, 2026 to September 5, 2026Harbor · Terminal-Bench 2.1

    一次 trial 分别产生结果与重放记录

    问题一次真实的任务执行如何成为结果与可检查的重放？

    1. 冻结任务 · spec事先固定 · 五次重复
      • 隔离的 trial指令 · 环境 · 上限
    2. Harbor 0.22.0 trial · 真实执行隔离的 trialGEODE 作为 actor
      • 行动与最终状态执行
    3. 行动与最终状态观测到的行为
      • 任务所属验证器检查任务状态
      • ATIF · 公开事件投影投影已记录的事件
    4. 任务所属验证器
      • 原生奖励 · receipt奖励
    5. 原生奖励 · receipt
      • 所选 attempt 的分析冻结选择
    6. ATIF · 公开事件投影后处理 · 非新运行
    7. 所选 attempt 的分析冻结的选择规则
    变化
    冻结的 spec、每次 attempt、所选结果、任务所属验证器，以及忠实但有限的重放，作为彼此关联的独立记录保存。Harbor 0.22.0 以 GPT-5.6 Sol/max 运行五次重复，比较 GEODE（当时为单一终端工具适配器）与 Codex。
    说明了什么
    任务拥有指令、环境与测试；trial 是一次尝试；job 是一组 trial。奖励由任务所属验证器决定，GEODE 内部的完成评判是运行时反馈。公开重放是对已记录工具事件的事后投影，不是原始 PTY，也不是新的运行；缺失的格没有补造命令。预注册的主要指标无法测量。

  6. September 24, 2026 to September 28, 2026Jev · 判断委托

    候选即使正确，仍需验证交付

    问题被委托的判断是否真正保住了任务质量与最终交付？

    1. U8n · Noul 运行 · Harbor 0.22 · Astra 负责执行与修复，只改变判断路径决策状态任务契约 · 候选 · 工具观测
      • 判断 · Noul判断输入
    2. 判断 · NoulAstra 或 Jev
      • GEODE 使用判断各条件的概率
    3. GEODE 使用判断满足：交付；依据缺失：暂缓
      • 最终交付满足
      • Astra 修复依据缺失 · 暂缓
    4. 最终交付
      • 独立结果检查已交付的结果
    5. Astra 修复反馈后的下一个候选
      • 判断 · Noul再次判断
      • 最后的候选 · 已保留保留最后的候选
    6. 独立结果检查规则 oracle · 已交付的结果
    7. U3 固定面板仅限判断 · 无 actor、工具或 Harbor
    8. 事后诊断 · 运行结束后最后的候选 · 已保留
      • 事后 oracle 诊断事后检查
    9. 事后 oracle 诊断候选是否正确 · 不影响交付
    变化
    判断的接受、候选的正确性与最终交付作为不同的结果记录，准备、失败与修复谱系保留在公开副本中。原始哈希与转换后的公开哈希分开保存。
    说明了什么
    在中断的 U8n 研究的 11 对事后样本中，最后的候选在两个 arm 中都是正确的，但交付为 Astra 11/11、Jev Noul 0/11：Jev Noul 的依据缺失判定阻止了交付。这是事后分析，不作推广。公开的数值重算、重放检查与新的实际执行是三种不同的操作。