核心用法
Autoresearch 是一种自主实验协议，让 AI 代理像人类研究员一样系统性地探索优化空间。用户通过三个命令触发：/autoresearch setup 交互式配置实验参数（目标、指标、可修改文件、运行命令等），生成 autoresearch.config.md；/autoresearch run 启动自主实验循环；/autoresearch analyze 分析结果并生成报告。
实验循环遵循严格纪律：每次只改一个变量 → 形成假设 → 运行实验 → 测量指标 → 根据结果决定保留（keep）或回滚（discard）。Git 提交作为实验笔记本，results.tsv 记录所有实验数据。代理会自动回顾历史、避免重复尝试、在陷入停滞时切换策略。
显著优点
1. 系统性探索：强制单变量控制，确保因果可解释，避免"改了三个东西不知道哪个有效"的混乱
2. 无限耐心：代理不会像人类那样疲劳或失去兴趣，会持续迭代直到用户叫停
3. 创意发散：鼓励尝试人类想不到的非传统组合，将"随机性"转化为优势
4. 完整记忆：Git + TSV 双轨记录，实验历史可追溯、可复现、可分析
5. 领域通用：不仅限于机器学习，编译器优化、Web 性能、数据库调优、Prompt 工程等任何"可度量+可修改"场景都适用
6. 自动简化倾向：偏好删除代码而非增加复杂性的改进，符合"简单即美"的工程哲学
潜在缺点与局限性
1. 配置门槛高：首次使用需要详细定义 9 项参数（目标、指标、提取命令、文件边界等），对新手不够友好
2. 时间成本不可控：虽然设置了 time budget，但"永不停止"的默认行为可能导致资源消耗超出预期
3. 局部最优陷阱：单变量控制保证可解释性，但可能错过需要协同调整多个参数才能发现的更优解
4. 指标作弊风险：代理被明确禁止修改评估代码，但复杂场景下仍可能意外"优化"到测量工具而非真实目标
5. Git 污染：自动生成大量实验分支和提交，需要定期清理
6. 回滚依赖：git reset --hard 的广泛使用要求用户确保工作目录干净，否则可能丢失未保存的更改
适合人群
- ML 工程师：超参数搜索、消融研究、训练配置优化
- 系统性能工程师：编译器标志调优、数据库配置优化
- 全栈开发者：Webpack/Lighthouse 评分优化、CSS 渲染性能调优
- 研究者：算法变体比较、Prompt 工程系统化探索
- 任何有明确度量指标、需要迭代优化配置文件的开发者
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 资源耗尽 | 无限循环消耗计算资源 | 设置严格的 time budget，监控执行 |
| 数据丢失 | `git reset --hard` 误删用户代码 | 确保在干净分支运行，避免直接操作主分支 |
| 指标误读 | 提取命令错误导致错误决策 | 在 setup 阶段手动验证提取命令 |
| 过度拟合 | 代理针对特定测试集优化 | 明确约束评估文件为只读，使用 held-out 验证 |
| 安全边界突破 | 修改了应只读的关键文件 | 仔细配置 TARGET FILES 与 READ-ONLY FILES 清单 |