核心用法
Autoloop Controller 是一个用于持续自动化改进 AI Skill 的循环控制器，它包装了 improvement-orchestrator 并添加了收敛检测、成本控制和跨会话状态持久化功能。用户通过 CLI 指定目标 Skill 路径、状态存储目录、最大迭代次数（默认5次）、成本上限（默认$50）、收敛检测窗口（默认3轮无改进即停止）等参数，控制器将自动运行完整的5阶段流水线（generate, discriminate, evaluate, execute, gate），并在每次迭代后检查五种终止条件（最大迭代数、成本上限、分数平台期、决策振荡、连续错误）。支持三种运行模式：single-run（单次批量运行）、continuous（带冷却期的持续运行）、scheduled（配合 cron 的定时运行）。状态在每次迭代后持久化到磁盘，支持崩溃恢复和跨会话续跑。
显著优点
1. 自动化复利增益：单次改进通常只能提升1-2个质量维度0.05-0.15分，而该工具通过4-8轮自动循环实现从 EMERGING（<0.60）到 SOLID（>0.80）的跨越，每轮修复上轮暴露的新弱点。
2. 智能收敛检测：采用双信号检测机制——平台期检测（连续N轮无分数提升）避免过早停止，振荡检测（交替的keep/reject决策）防止无限循环浪费资源，两者结合确保在正确时机终止。
3. 完善的容错设计：每轮迭代后自动保存状态文件，崩溃后可从断点恢复；电路断路器机制（连续错误上限）防止基础设施故障导致资源耗尽；CLI参数可覆盖持久化值，灵活调整运行策略。
4. 成本可控的无人值守：支持设置硬成本上限（默认$50），配合夜间自动运行（Karpathy 风格的 autoresearch），让 Skill 在用户离开时持续进化。
5. 零第三方依赖：仅使用 Python 标准库，供应链攻击面极小，代码结构清晰可审计。
潜在缺点与局限性
1. 非交互式设计：专为无人值守场景优化，不适合需要人工审核每轮候选方案的用户；如需手动审查，应直接使用 improvement-orchestrator。
2. 收敛并非全局最优：平台期检测可能陷入局部最优，默认的3轮窗口对复杂 Skill 可能过短，需根据经验调整参数。
3. 子进程依赖风险：核心功能依赖 subprocess 调用外部 orchestrator 脚本，虽有时超时保护，但路径验证和子进程稳定性仍是潜在故障点。
4. 无直接网络/API 功能：该工具本身不处理网络请求，所有 LLM 交互由子进程处理的 improvement-orchestrator 完成，网络问题需在该层排查。
适合的目标群体
- AI Skill 开发者：需要将粗糙的 EMERGING 级 Skill 系统性地提升到生产可用 SOLID 级别的开发者
- MLOps/自动化工程师：希望建立夜间自动优化流水线，实现"设置后离开"（set-and-forget）运维模式的技术团队
- 研究团队：需要对比不同 Skill 的改进速度，通过 iteration_log.jsonl 进行 velocity 分析的科研人员
- 成本敏感用户：希望在固定预算内（如$20-$50）获得最大改进收益，避免无限循环烧钱场景
使用风险
1. 成本超支风险：默认$50成本上限在 continuous 模式下配合30分钟冷却期可能运行数小时，务必显式设置 --max-cost。
2. 磁盘空间风险：每轮迭代产生完整的 orchestrator 输出（候选方案、gate 结果、diffs），长期运行可能积累大量状态文件。
3. 子进程级联故障：orchestrator 或下游组件（discriminator、learner、generator）的失败会被 autoloop 的电路断路器捕获，但需检查日志定位根本问题。
4. 路径配置风险：--state-root 和 --target 路径需确保正确，虽有 pathlib 保护，但错误路径会导致迭代失败或数据丢失。