Hypothesis Search
假设搜索
在高层研究方向上自主搜索,结合所有历史尝试生成下一条假设;耗尽后自动跨学科探索。
把研究表述为一个结构化的优化问题。三层嵌套循环在解空间中自主搜索—— 生成假设、设计实验、执行迭代,直到达到目标或耗尽预算。 没有庞大的智能体,没有手工的调度树,行为从相同的递归控制结构中涌现。
系统对外暴露的六个能力面 — 横向滚动浏览。
三层嵌套控制循环,组成一棵带剪枝与回溯的搜索树。
在高层研究方向上搜索;基于此前所有尝试的完整历史生成下一条假设。耗尽后回溯,并在配置的预算内自动转向跨学科探索。
为每条假设生成可操作的实验蓝图——方法论、架构选择、评估协议。
实现、运行、度量、诊断、再优化。最多迭代 N 次,每轮基于上一轮的诊断结果推进。
全局任务、父级假设、当前计划——完整状态自上而下注入到每一层。
诊断报告 → 计划级结果 → 假设视图。结果以压缩摘要逐级向上汇总,避免高层被细节淹没。
任一层级达到目标指标即触发提前终止;分支耗尽则自动剪枝并回溯。
用相同的循环控制结构嵌套出多尺度搜索。L1 粗探,L2 中探,L3 精修——行为从结构本身涌现。
上下文自上而下完整继承,结果自下而上压缩汇总。每一层都既能看清意图,又不被细节淹没。
失败被记录、被注入、被绕开。无效方向尽早放弃,预算流向真正有产出的分支。
每一次实验都减少与目标的距离,类似一次梯度步骤;嵌套循环天然提供学习率调度与内层优化的相互作用。
没有调度树,没有优先队列,没有手工决策树。
行为,从结构中涌现。
— Recursia / R-01
© 2026 Recursia. All rights reserved.
像优化算法一样优雅 · Elegant as an optimizer.