Cookbook

针对最常用配置旋钮的复制粘贴式食谱。本文是详尽的 配置参考的 how-to 配套读物 —— 当某条食谱需要完整选项列表时，会链接到那里而非重复罗列。

覆盖项写在哪里。 环境 profile 位于 ari-core/config/profiles/<name>.yaml；run 级别的设置位于 workflow.yaml。当你传入 --profile <name>（CLI）或在向导中选择它时， profile 会被合并到默认值之上。你可以在任一文件中加入 evaluator: 和 bfts: 块。

环境 profile：laptop / HPC / cloud

开箱即用三个 profile。用 ari run experiment.md --profile hpc （或向导的 Resources 步骤）选择。

laptop —— 小型本地 run，无调度器：

profile: laptop
hpc:
  enabled: false
  scheduler: none
bfts:
  max_total_nodes: 8
  parallel: 2

hpc —— SLURM/PBS/LSF 集群，自动检测分区：

profile: hpc
hpc:
  enabled: true
  scheduler: auto
  partition: auto
  cpus_per_task: 8
  memory_gb: 32
  walltime: "04:00:00"
  max_concurrent_jobs: 4
bfts:
  max_total_nodes: 20
  parallel: 4

cloud —— 无调度器，但并行搜索更宽：

profile: cloud
hpc:
  enabled: false
  scheduler: none
bfts:
  max_total_nodes: 16
  parallel: 4

食谱 —— 制作你自己的 profile。 在 ari-core/config/profiles/ 中放一个新文件，例如 bigjob.yaml，并用 --profile bigjob 选择它：

profile: bigjob
hpc:
  enabled: true
  scheduler: auto
  partition: gpu
  cpus_per_task: 32
  memory_gb: 128
  walltime: "12:00:00"
bfts:
  max_total_nodes: 40
  parallel: 8

分区检测与 SLURM 细节参见 HPC 设置。

调优搜索与评估器

ARI 暴露四个相互独立的评估层；每个默认值都是 no-op，复刻经典行为。 完整语义见 配置 → BFTS 评估层； 下面的食谱是常见的组合。

瓶颈评分 —— 仅当每个轴都好时才奖励节点：

evaluator:
  composite: weighted_min   # the score is the lowest axis; weights gate participation

更多探索 —— UCB 式前沿排名（当搜索不断重复扩展同一个高分节点时很有用）：

bfts:
  frontier_score: ucb_like
  ucb_c: 1.0                # 0.0 reduces this back to the default strategy

偏好更浅的节点 —— 在回退排名中惩罚深度：

bfts:
  frontier_score: depth_penalized
  depth_penalty_lambda: 0.1

衡量自定义轴（例如 speedup）而非通用五轴：

evaluator:
  axis_mode: custom
  custom_axes: [correctness, speedup, reproducibility]
  # axis_weights below set the relative weight of each named axis

精确复刻审计前 (pre-audit) 行为（固定为标准五轴与调和平均）：

evaluator:
  axis_mode: legacy
  composite: harmonic_mean

换用你自己的选择 prompt（Layer D）—— 指向 ari-core/ari/prompts/ 下的某个模板（不含 .md 后缀）；它必须保留相同的占位符：

bfts:
  select_prompt: orchestrator/my_select          # needs {experiment_goal} {memory_context} {candidates}
  expand_select_prompt: orchestrator/my_expand    # needs {experiment_goal} {candidates}

PaperBench：复现 vs 审计

两种模式由同一套 rubric 机制驱动；差别在于你让它们指向什么。 端到端流程见 PaperBench 快速入门， 每个旋钮见 环境变量。

复现一篇论文（从头运行其代码并评分）。当自动选择会挑错时， 显式固定 Phase 1 沙箱：

export ARI_PHASE1_SANDBOX=slurm        # or docker / apptainer / singularity / local
export ARI_SLURM_PARTITION=gpu          # required when the sandbox is slurm

审计一篇论文（判断论文本身是否描述得足以复现）—— 通过 rubric 选择一个审计会场模板：

export ARI_RUBRIC=sc                    # venue template: sc / neurips / nature

切换 ARI_RUBRIC 会同时改变 BFTS 的评分轴与已发布的评审标准 —— 参见 术语表 → venue 与 架构 → Plan / Venue 契约。

---

另请参阅：配置参考 · HPC 设置 · PaperBench 快速入门 · 术语表