繁體
GEODE 的官方像素角色 Geodi
返回展廳

GEODE

Autonomous Agent Harness

從觀測，到下一步行動。

一個可以委託研究、檔案處理與排程工作的本機自主代理執行框架。

2026.02.21 — present

設計、判斷、驗證：Author · 實作：Claude · 審查：Codex

  • CLI公開發布 · PyPI
  • MCP 伺服器已實作

從 rollout 到證據

單憑通過率無法解釋一次執行。我保存事件順序、工具呼叫與結果、重試譜系，以及獨立驗證器的證據，再將可公開的部分串接起來。這些實驗呈現了記錄與評測契約如何逐步發展。

依實驗 · 按日期排序

六項實驗依日期排列，並非一個連貫的最佳化過程。SIL 不會自動銜接到 Crucible 或 Jev，這裡也不主張產品版 GEODE 持續改進。日期為實驗與公開快照的日期，箭頭只用於單一實驗內部的各階段。

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

    單次稽核得出的 KEEP，以重複測量重新確認

    問題策略變更是否在稽核雜訊之外，改善了工具使用行為？

    外部實驗 · GEODE 執行環境之外

    1. 基準線 · K=5
    2. 一項策略變更
    3. Petri 稽核
    4. 重複測量
      • 保留
      • 還原
    變化
    在這項實驗中，決定保留或還原之前，先在變更的單次稽核之外加上重複測量。也加入了難度相當的種子與 K=5 基準線，並以 never、random 與 gate 三個 arm，區分未作任何變更時的漂移與被採納的變更。
    說明了什麼
    重新測量後，單次稽核中被保留的候選比基準線更差（越低越好），因此撤回其採納。此實驗的結論是沒有穩健的改善。這是 Petri broken_tool_use 行為稽核，不是任務完成獎勵。

  2. July 11, 2026 to July 13, 2026Crucible · 外部實驗核心

    留在搜尋中與進入產品，是不同的判定

    問題將候選留在搜尋中的依據，是否等同於將其晉級並發布到產品的依據？

    外部 Crucible 實驗核心 · 獨立的測量用 checkout

    1. 候選 · 父代譜系
    2. 凍結契約檢查
    3. 成對測量
      • KEEP只送往另行的 sealed 判定
      • REJECT
      • INVALIDnull，不是 0%
    變化
    被拒絕與無效的候選連同其父代譜系一併保留，train 選擇、sealed 資格與產品發布權限是各自獨立的記錄。
    說明了什麼
    r14 在 train 中為 KEEP（六個任務單位，各一次試驗，無晉級權限），但其另行的 sealed 判定為 REJECT（無產品晉級或發布權限）。r35 因涵蓋不完整與基礎設施汙染判為 INVALID；沒有成對列，其平均維持 null。這既不是執行環境的自我修改，也不是 SIL → Crucible 的部署鏈。

  3. July 21, 2026 · July 31, 2026精煉 · 公開

    分類剩餘的記錄，只有可分享的部分成為不可變的發布版本

    問題哪些實際上可以重建？哪些可以安全地分享？

    1. 非公開來源工作階段記錄 · 原生證據原生結果 · 含驗證器
      • 正規化事件保留順序 · 識別碼
    2. 正規化事件識別碼 · 順序 · 呼叫-結果配對
      • 公開候選允許清單 · 遮蔽 · 摘要值
    3. 公開候選審查中
      • 完整性 · 隱私檢查檢查
    4. 完整性 · 隱私檢查配對 · 譜系 · 範圍
      • 不可變的發布版本僅限已審查的位元組
    5. 公開儲存庫不可變的發布版本manifest · 原生結果以摘要值參照
      • 遠端回讀驗證雜湊
    6. 遠端回讀固定的 SHA-256
    變化
    2026年7月21日的盤點依來源分類對話、工具、搜尋與判定記錄，同一來源的重複不計為獨立範例。自 2026年7月31日起，geode.trajectory@1 與 geode.trajectory-release@1 明確規定識別碼、事件順序、呼叫-結果配對、範圍與重播完整性，以及與內容繫結的 manifest。轉換後的公開副本與原件各自保有摘要值。
    說明了什麼
    此處的精煉是指正規化、關聯、明確的遮蔽、譜系與公開核准。它不重建隱藏的推理，也不宣稱這是可直接用於訓練的資料集。當非公開本文以摘要值取代時，範圍完整並不等於位元組層級的完整重播。

  4. August 25, 2026Learning view

    以識別碼將一次 rollout 與其證據繫結在一起

    問題哪個輸入、嘗試、事件序列與獎勵屬於同一組？

    geode.eval-learning-view@2 · 以 ID 與已驗證的摘要值串接，並非因果順序

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

    獎勵由原生驗證器 receipt 擁有。基礎設施重試是單一 rollout 內的嘗試。

    變化
    不可變的執行記錄透過限定範圍的 join 重複使用，獎勵則維持為評測器擁有的衍生標籤。基礎設施重試不會增加 rollout。觀測到的 0 會保留，缺少的獎勵為 null；無效或中止的嘗試不納入獎勵選擇。有效性是 rollout 的屬性，並不自動代表獎勵為 null。
    說明了什麼
    以 Harbor 0.8.0 執行的 Terminal-Bench fast-3（三個任務，3/3）與 Tau2 三領域診斷（1/3，兩個有效的零）以相同結構繫結。這些是後訓練候選，不是用於訓練的資料集，也不是權重改善的證據；三個任務的結果也不是整套測試的準確率。

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

    一次 trial 分別產生結果與重播記錄

    問題真實的任務執行，如何成為結果與可檢視的重播？

    1. 凍結的任務 · spec事先固定 · 重複五次
      • 隔離的 trial指示 · 環境 · 上限
    2. Harbor 0.22.0 trial · 真實執行隔離的 trialGEODE 作為 actor
      • 行動與最終狀態執行
    3. 行動與最終狀態觀測到的行為
      • 任務擁有的驗證器檢查任務狀態
      • ATIF · 公開事件投射投射已記錄的事件
    4. 任務擁有的驗證器
      • 原生獎勵 · receipt獎勵
    5. 原生獎勵 · receipt
      • 選定嘗試的分析凍結的選擇
    6. ATIF · 公開事件投射後處理 · 非新的執行
    7. 選定嘗試的分析凍結的選擇規則
    變化
    凍結的 spec、每次嘗試、選定的結果、任務擁有的驗證器，以及忠實但有限的重播，作為彼此連結的獨立記錄保存。Harbor 0.22.0 以 GPT-5.6 Sol/max 重複五次，比較 GEODE（當時為單一終端機工具轉接器）與 Codex。
    說明了什麼
    任務擁有指示、環境與測試；trial 是一次嘗試；job 是一組 trial。獎勵由任務擁有的驗證器決定，GEODE 內部的完成評判則是執行期間的回饋。公開重播是已記錄工具事件的事後投射，不是原始 PTY，也不是新的執行，缺漏的格位不補上虛構的指令。預先登錄的主要指標無法測量。

  6. September 24, 2026 to September 28, 2026Jev · 判斷委派

    候選正確，仍需驗證交付

    問題委派出去的判斷，是否真正維持了任務品質與最終交付？

    1. U8n · Noul 執行 · Harbor 0.22 · 由 Astra 執行與修復，只有判斷路徑改變決策狀態任務契約 · 候選 · 工具觀測
      • 判斷 · Noul判斷輸入
    2. 判斷 · NoulAstra 或 Jev
      • GEODE 使用判斷各條件的機率
    3. GEODE 使用判斷成立則交付；證據不足則保留
      • 最終交付成立
      • Astra 修復證據不足 · 保留
    4. 最終交付
      • 獨立結果檢查已交付的結果
    5. Astra 修復收到回饋後的下一個候選
      • 判斷 · Noul再次判斷
      • 最後的候選 · 已保留保留最後的候選
    6. 獨立結果檢查規則 oracle · 已交付的結果
    7. U3 固定面板僅判斷 · 無 actor、工具或 Harbor
    8. 事後診斷 · 執行結束後最後的候選 · 已保留
      • 事後 oracle 診斷事後檢查
    9. 事後 oracle 診斷候選正確性 · 不影響交付
    變化
    判斷的採納、候選的正確性與最終交付記錄為不同的結果，準備、失敗與修復的譜系保留在公開副本中。原始與轉換後公開版本的雜湊分開保存。
    說明了什麼
    在中斷的 U8n 研究的事後 11 對中，最後的候選在兩個 arm 中都正確，交付卻是 Astra 11/11、Jev Noul 0/11：Jev Noul 的證據不足判斷阻擋了交付。這是事後分析，不作推廣。公開數值的重新計算、重播檢視與新的實際執行，是三種不同的操作。