配置参考

workflow.yaml（权威开发者配置）

workflow.yaml 是整个 ARI 流水线的唯一真实来源。将其放置在 ari-core/config/workflow.yaml。

在技能路径中使用 {{ari_root}} — 它会解析为 $ARI_ROOT 环境变量或项目根目录。

yaml

llm:
  backend: openai          # ollama | openai | anthropic
  model: gpt-5.2           # Model identifier
  base_url: ""             # Leave empty for OpenAI; set for Ollama/vLLM

author_name: "Autonomous Research Infrastructure"

resources:
  cpus: 48                 # Default CPU count for reproducibility experiments
  timeout_minutes: 60      # Default job timeout
  executor: slurm          # Job executor: slurm / local / pbs / lsf

# BFTS 阶段（在树搜索期间按顺序执行）
bfts_pipeline:
  - stage: generate_idea
    skill: idea-skill
    tool: generate_ideas
    phase: bfts
  - stage: select_and_run
    skill: hpc-skill
    phase: bfts
  - stage: evaluate
    skill: evaluator-skill
    tool: evaluate_node
    phase: bfts
  - stage: frontier_expand
    skill: idea-skill
    tool: generate_ideas
    phase: bfts
    loop_back_to: select_and_run

# Post-BFTS 流水线阶段
pipeline:
  - stage: search_related_work
    skill: web-skill
    tool: collect_references_iterative
    skip_if_exists: '{{ckpt}}/related_refs.json'
    # ...
  - stage: transform_data
    skill: transform-skill
    tool: nodes_to_science_data
    inputs:
      nodes_json_path: '{{ckpt}}/nodes_tree.json'
      llm_model: '{{llm.model}}'
      llm_base_url: '{{llm.base_url}}'
    outputs:
      file: '{{ckpt}}/science_data.json'
    skip_if_exists: '{{ckpt}}/science_data.json'
  - stage: generate_figures
    skill: plot-skill
    tool: generate_figures_llm
    depends_on: [transform_data]
    # ...
  - stage: write_paper
    skill: paper-skill
    tool: write_paper_iterative
    depends_on: [search_related_work, generate_figures]
    # ...
  - stage: review_paper
    skill: paper-skill
    tool: review_compiled_paper
    depends_on: [write_paper]
    # ...
  # ─── EAR 策展/发布/最终化 (v0.7.0) ───
  - stage: ear_curate
    skill: transform-skill
    tool: curate_ear
    depends_on: [generate_ear]
    inputs:
      checkpoint_dir: '{{checkpoint_dir}}'
    outputs:
      file: '{{checkpoint_dir}}/ear_curate.status.json'
  - stage: finalize_paper
    skill: paper-skill
    tool: inject_code_availability
    depends_on: [write_paper, ear_curate]
    # 从 ear_published/manifest.lock 与 publish_record.json 自动加载
    # ref/sha/doi，将 \codeavailability/\codedigest/\coderef 宏注入
    # full_paper.tex；若无策展过的 bundle 则静默跳过。
  - stage: ear_publish
    skill: transform-skill
    tool: publish_ear
    depends_on: [ear_curate]
    enabled: false           # 默认禁用；置 true 或传 publish=true
    inputs:
      checkpoint_dir: '{{checkpoint_dir}}'
      backend: ari-registry
      visibility: staged
      dry_run: false
    outputs:
      file: '{{checkpoint_dir}}/publish_record.json'
  - stage: merge_reviews
    skill: paper-skill
    tool: merge_reviews
    depends_on: [review_paper, vlm_review_figures]
    # 文本与 VLM 评审结果的事后结构合并（无 LLM）。

  # ─── ORS 自动 rubric 可复现性（PaperBench, v0.7.0）───
  # 取代旧的 `reproducibility_check`。
  - stage: ors_generate_rubric
    skill: replicate-skill
    tool: generate_rubric
    depends_on: [write_paper]
    inputs:
      paper_path: '{{checkpoint_dir}}/full_paper.tex'
      output_path: '{{checkpoint_dir}}/ors_rubric.json'
      target_leaf_count: 0     # 0 = 按论文长度自动估算
  - stage: ear_publish          # v0.7.0+：默认启用，使用 local-tarball
    skill: transform-skill
    tool: publish_ear
    depends_on: [ear_curate]
    enabled: true
    inputs:
      backend: local-tarball    # 零依赖；在 checkpoint 旁生成 bundle.tar.gz
      visibility: staged
  - stage: ors_seed_sandbox     # v0.7.0+：从 EAR bundle 确定性播种到沙箱
    skill: paper-re-skill
    tool: fetch_code_bundle
    depends_on: [ear_publish]
    inputs:
      checkpoint_dir: '{{checkpoint_dir}}'    # 从 publish_record.json 自动读取 ref
      dest: '{{checkpoint_dir}}/repro_sandbox'
  - stage: ors_build_reproduce  # v0.7.0+：LLM 回退（如已 seed 则跳过）
    skill: paper-re-skill
    tool: build_reproduce_sh
    depends_on: [ors_generate_rubric, ors_seed_sandbox, finalize_paper]
    inputs:
      paper_path: '{{checkpoint_dir}}/full_paper.tex'
      rubric_path: '{{checkpoint_dir}}/ors_rubric.json'
      output_dir: '{{checkpoint_dir}}/repro_sandbox'
      overwrite: false
  - stage: ors_run_reproduce
    skill: paper-re-skill
    tool: run_reproduce        # Phase 1（在沙箱中执行 reproduce.sh）
    depends_on: [ors_generate_rubric, ors_build_reproduce]
    inputs:
      rubric_path: '{{checkpoint_dir}}/ors_rubric.json'
      repo_dir: '{{checkpoint_dir}}/repro_sandbox'
      sandbox_kind: ''         # auto: slurm → docker → apptainer → singularity → local
      timeout_global_sec: 0    # 0 = 使用 rubric.reproduce_contract.max_runtime_sec
      partition: ''            # 留空 → ARI_SLURM_PARTITION → launch_config.json
      cpus: 0                  # 留空 → ARI_SLURM_CPUS（默认 8）
      walltime: ''             # 留空 → ARI_SLURM_WALLTIME → 由 timeout 推导
  - stage: ors_grade
    skill: paper-re-skill
    tool: grade_with_simplejudge   # Phase 2（PaperBench SimpleJudge via LiteLLM）
    depends_on: [ors_run_reproduce]
    inputs:
      rubric_path: '{{checkpoint_dir}}/ors_rubric.json'
      repo_dir: '{{checkpoint_dir}}/repro_sandbox'
      paper_path: '{{checkpoint_dir}}/full_paper.tex'
      n_runs: 3
      judge_model: gpt-5-mini  # 任意 LiteLLM 可识别的模型 ID

retrieval:
  backend: semantic_scholar    # semantic_scholar | alphaxiv | both
  alphaxiv_endpoint: https://api.alphaxiv.org/mcp/v1

# ── 论文审阅 (基于评审规范，AI Scientist v1/v2 兼容) ─────────────────
# 通过 CLI 标志（--rubric、--fewshot-mode、--num-reviews-ensemble、
# --num-reflections）或环境变量（ARI_RUBRIC、ARI_FEWSHOT_MODE、
# ARI_NUM_REVIEWS_ENSEMBLE、ARI_NUM_REFLECTIONS）覆盖。
# ari-core/config/reviewer_rubrics/ 中内置 16 种评审规范：
#   neurips（默认，v2 兼容）| iclr | icml | cvpr | acl | sc | osdi
#   | usenix_security | stoc | siggraph | chi | icra | nature
#   | journal_generic | workshop | generic_conference
# 加上内置的 `legacy` 回退（v0.5 schema）。新 venue 只需把 <id>.yaml
# 放进 reviewer_rubrics/ 即可，无需修改代码。
#
# Few-shot 语料库管理
# ------------------
# reviewer_rubrics/fewshot_examples/<rubric>/ 下的文件可通过 GUI
# (New Experiment 向导 → Paper Review → Few-shot 示例) 或
# scripts/fewshot/sync.py 管理。viz 服务器暴露的 REST 端点：
#   GET  /api/rubrics                           rubric 列表（向导用）
#   GET  /api/fewshot/<rubric>                  fewshot 示例列表
#   POST /api/fewshot/<rubric>/sync             从 manifest.yaml 拉取
#   POST /api/fewshot/<rubric>/upload           上传一个示例
#   POST /api/fewshot/<rubric>/<example>/delete 删除一个示例

memory:
  # v0.6.0: Letta 是唯一的生产后端。这里的值会在加载时被注入到
  # 技能子进程的环境变量中。智能体的聊天 LLM 句柄已固定为
  # `letta/letta-free`，因为 ari-skill-memory 只调用
  # archival_insert / archival_search 而从不发送聊天消息，
  # 因此该选择器没有运行时效果。
  backend: letta
  letta:
    base_url: http://localhost:8283
    collection_prefix: ari_
    embedding_config: letta-default

container:
  mode: auto                   # auto | docker | singularity | apptainer | none
  image: ""                    # 容器镜像名（空 = 不使用容器）
  pull: on_start               # always | on_start | never

skills:
  # `phase` 控制 ReAct 智能体在哪些 pipeline-phase 下能看到该技能的
  # MCP 工具。字符串仅加入一个 phase，数组可加入多个 phase。标注
  # `reproduce` 的技能会暴露给可复现性 ReAct(见上方 reproducibility_check
  # stage)。`memory-skill` / `transform-skill` / `evaluator-skill`
  # 被刻意排除在 reproduce 之外，以防止智能体访问 BFTS 阶段的产物。
  - name: web-skill
    path: "{{ari_root}}/ari-skill-web"
    phase: [paper, reproduce]
  - name: plot-skill
    path: "{{ari_root}}/ari-skill-plot"
    phase: paper
  - name: paper-skill
    path: "{{ari_root}}/ari-skill-paper"
    phase: paper
  - name: paper-re-skill
    path: "{{ari_root}}/ari-skill-paper-re"
    phase: paper
  - name: memory-skill
    path: "{{ari_root}}/ari-skill-memory"
    phase: bfts
  - name: evaluator-skill
    path: "{{ari_root}}/ari-skill-evaluator"
    phase: bfts
  - name: idea-skill
    path: "{{ari_root}}/ari-skill-idea"
    phase: none
  - name: hpc-skill
    path: "{{ari_root}}/ari-skill-hpc"
    phase: [bfts, reproduce]
  - name: coding-skill
    path: "{{ari_root}}/ari-skill-coding"
    phase: [bfts, reproduce]
  - name: transform-skill
    path: "{{ari_root}}/ari-skill-transform"
    phase: paper
  - name: benchmark-skill
    path: "{{ari_root}}/ari-skill-benchmark"
    phase: bfts
  - name: vlm-skill
    path: "{{ari_root}}/ari-skill-vlm"
    phase: [paper, reproduce]
  # v0.7.0：PaperBench 形式自动 rubric 生成与审计
  - name: replicate-skill
    path: "{{ari_root}}/ari-skill-replicate"
    phase: paper

环境变量

变量	描述	默认值
`ARI_MAX_NODES`	BFTS 最大探索节点数	`50`
`ARI_PARALLEL`	并发节点执行数	`1`
`ARI_EXECUTOR`	执行后端：`local`、`slurm`、`pbs`、`lsf`	`local`
`ARI_SLURM_PARTITION`	SLURM 分区名称	（无）
`ARI_SLURM_CPUS`	覆盖 SLURM 作业的 CPU 数	（自动检测）
`SLURM_LOG_DIR`	SLURM 输出文件存放位置	（无）
`OLLAMA_HOST`	Ollama 服务器地址	`127.0.0.1:11434`
`OPENAI_API_KEY`	OpenAI API 密钥	（无）
`ANTHROPIC_API_KEY`	Anthropic API 密钥	（无）
`ARI_RETRIEVAL_BACKEND`	论文搜索后端: `semantic_scholar` / `alphaxiv` / `both`	`semantic_scholar`
`VLM_MODEL`	图表审阅 VLM 模型	`openai/gpt-4o`
`ARI_ORCHESTRATOR_PORT`	orchestrator 技能的 HTTP 端口	`9890`
`LETTA_BASE_URL`	Letta 服务器端点	`http://localhost:8283`
`LETTA_API_KEY`	Letta Cloud 必需	（无）
`LETTA_EMBEDDING_CONFIG`	归档内存使用的嵌入句柄（智能体的聊天 LLM 不被 ARI 调用，已固定为 `letta/letta-free`）	`letta-default`
`ARI_MEMORY_BOOTSTRAP_LOCAL_LETTA`	`auto` / `pip` / `docker` / `singularity` / `none`	`auto`
`ARI_MEMORY_LETTA_TIMEOUT_S`	单次调用超时	`10`
`ARI_MEMORY_LETTA_OVERFETCH`	祖先后过滤的 over-fetch K 值	`200`
`ARI_MEMORY_LETTA_DISABLE_SELF_EDIT`	禁用 Letta self-edit (CoW 安全)	`true`
`ARI_MEMORY_ACCESS_LOG`	启用 `{checkpoint}/memory_access.jsonl`	`on`
`ARI_MEMORY_AUTO_RESTORE`	`ari resume` 时自动恢复备份	`true`
`ARI_RUBRIC`	评审使用的 rubric_id（例 `neurips`、`sc`、`nature`）	`neurips`
`ARI_FEWSHOT_MODE`	`static` / `dynamic`	`static`
`ARI_NUM_REVIEWS_ENSEMBLE`	独立审稿人数量	`1`
`ARI_NUM_REFLECTIONS`	self-reflection 循环轮数	`5`
`ARI_MODEL_RUBRIC_GEN`	`replicate-skill.generate_rubric` 的生成 LLM (v0.7.0)	`gemini/gemini-2.5-pro`
`ARI_MODEL_RUBRIC_AUDIT`	`audit_rubric` 的审计 LLM（与生成器独立）	`anthropic/claude-opus-4-7`
`ARI_RUBRIC_GEN_TARGET_LEAVES`	覆盖 `generate_rubric` 的目标叶数。`0` / 未设置时按论文长度自动（约 1 叶 / 75 词，限制在 [50, 400]）。GUI Wizard "Target leaves" 字段。	(未设置)
`ARI_RUBRIC_GEN_TEMPERATURE`	覆盖生成器 temperature。GUI Wizard "Temperature" 字段。	(未设置)
`ARI_RUBRIC_GEN_TWO_STAGE`	强制开/关两阶段生成（骨架 + 并行子树），`1`/`true`/`on` vs `0`/`false`/`off`。相比单次调用：叶数约 4 倍、深度增加 1–2 层，API token 消耗约 5 倍。未设置时使用 kwarg 默认（当前 ON）。GUI Wizard "两阶段生成" 切换。	(未设置，默认 ON)
`ARI_MODEL_REPLICATE`	`build_reproduce_sh`（论文 → reproduce.sh，v0.7.0）的复现器 LLM	`claude-opus-4-7`
`ARI_MODEL_JUDGE`	`grade_with_simplejudge`（PaperBench Phase 2, v0.7.0；LiteLLM 路由，任意提供方均可）的裁判 LLM	`gpt-5-mini`
`ARI_MODEL_LINEAGE`	`decide_lineage_action` 的判定 LLM（lineage decision, v0.7.0）。未设置时按 `ARI_MODEL_EVAL` → `ARI_MODEL` → `ARI_LLM_MODEL` → `gpt-4o-mini` 顺序回退	(auto)
`ARI_MODEL_ROOT_SELECT`	从 VirSci 池中重选 `ideas[0]` 的 LLM（lineage decision, v0.7.0）。回退顺序与 `ARI_MODEL_LINEAGE` 相同	(auto)
`ARI_PHASE1_SANDBOX`	Phase 1 沙箱：`auto` / `slurm` / `docker` / `apptainer` / `singularity` / `local`	`auto`
`ARI_SLURM_WALLTIME`	SLURM Phase 1 沙箱的 `--time` HH:MM:SS（v0.7.0, 已恢复）。留空则从 rubric 的 `max_runtime_sec` 推导。	(auto)
`ARI_PHASE1_DOCKER_IMAGE`	docker 沙箱镜像	`ubuntu:24.04`
`ARI_PHASE1_APPTAINER_IMAGE` / `ARI_PHASE1_SINGULARITY_IMAGE`	Apptainer/Singularity 沙箱镜像	`docker://ubuntu:24.04`
`ARI_PUBLISH_DRYRUN`	强制 `ari ear publish --dry-run`（CI 安全开关, v0.7.0）	(off)
`ARI_REGISTRY_DATA`	`ari registry serve` 的 sqlite + artifact 存储根目录	(无 — 必须显式设置。v0.5.0 以前的 `$HOME/.ari/registry-data` 回退会发出 DeprecationWarning，v1.0 中移除)
`ARI_REGISTRY_TOKEN`	用于 `ari clone ari://...` / `ari ear publish --backend ari-registry` 的 bearer token	(无)
`ARI_REPRO_CLONE_POLICY`	可复现性沙箱 git shim 策略：`passthrough` / `deny` / `warn`	`passthrough`

记忆后端 (Letta)

v0.6.0 用 Letta 替换了原本的确定性 JSONL 记忆存储。Letta 可在以下四种模式下运行：

模式	要求	存储	备注
Docker Compose	`docker` + `docker compose`	Postgres	笔记本默认，支持 pre-filter
Singularity / Apptainer	`singularity` / `apptainer`	Postgres	HPC 默认，SLURM 感知的数据目录
pip（无容器）	Python 3.10+	SQLite	祖先作用域回落到 over-fetch + post-filter
Letta Cloud	API key	托管	`LETTA_BASE_URL=https://api.letta.com`

ari setup 自动检测最佳模式。也可通过 ARI_MEMORY_BOOTSTRAP_LOCAL_LETTA 强制指定。start/stop/health/backup/restore 由 ari memory 子命令处理 — 详情见 docs/zh/reference/cli_reference.md。

一次性迁移 v0.5.x 检查点：

bash

ari memory migrate --checkpoint /path/to/ckpt --react

LLM 后端

Ollama（本地，推荐用于离线 HPC）

yaml

llm:
  backend: ollama
  model: qwen3:32b
  base_url: http://127.0.0.1:11434

OpenAI

yaml

llm:
  backend: openai
  model: gpt-4o

Anthropic

yaml

llm:
  backend: anthropic
  model: claude-sonnet-4-5

任何 OpenAI 兼容 API（vLLM、LM Studio 等）

yaml

llm:
  backend: openai
  model: your-model-name
  base_url: http://your-server:8000/v1

workflow.yaml 中的模板变量

inputs: 中的任何值都支持 {{variable}} 替换：

变量	值
`{{ckpt}}`	检查点目录路径
`{{ari_root}}`	ARI 项目根目录（`$ARI_ROOT` 或自动检测）
`{{llm.model}}`	`llm:` 部分中的 LLM 模型名称
`{{llm.base_url}}`	`llm:` 部分中的 LLM 基础 URL
`{{resources.cpus}}`	`resources:` 部分中的 CPU 数量
`{{resources.timeout_minutes}}`	`resources:` 部分中的超时时间
`{{stages.<name>.outputs.file}}`	已完成阶段的输出文件路径
`{{author_name}}`	顶层配置中的作者名称
`{{vlm_feedback}}`	VLM 审阅反馈（在从 `vlm_review_figures` 回环时注入）
`{{paper_context}}`	面向科研的实验摘要
`{{keywords}}`	LLM 生成的搜索关键词

skip_if_exists 验证

带有 skip_if_exists 的阶段在以下情况下会重新运行：

输出文件不存在
输出文件为空
输出文件是包含顶层 "error" 键的 JSON 文件

这可以防止损坏的输出悄无声息地阻塞下游阶段。

Plan Promote (v0.7.0+)

plan_promote 控制 VirSci 的 experiment plan 如何展开到检查点的 experiment.md。CLI 传入的用户源 experiment.md 不会被修改 — 只有检查点内的副本会被以 HTML 注释为边界自动追加块（重复运行幂等）。

yaml

plan_promote: index_only          # full | index_only | off

Mode	内容	典型大小
`full`	选定 idea + plan §标题正文 + Alternatives	~5 KB
`index_only` (default)	选定 idea + plan §标题 + Alternatives	~1.5 KB
`off`	不追加	0

Phase 3 评估器和 BFTS expand idea_ctx 都从 idea.json 读取原始 plan，所以 full / index_only 主要是 experiment.md 中人和 paper-skill 看到什么的差异。

Lineage Decision (v0.7.0+)

BFTS 停滞时 LLM judge 决定继续 / 切换备选 idea / 并行 fanout / 终止。 LLM 输出限定为 4 个动作，target index 必须在备选池内，任何错误都 silently 降级为 continue，BFTS 循环不会因此 hook 卡住。

yaml

lineage_decision:
  mode: stagnation_rule           # off | stagnation_rule | every_node
  stagnation_window: 5
  stagnation_threshold: 0.02
  min_nodes_before_decision: 3
  rate_limit_per_run: 5

Mode	触发	成本
`off`	不触发	0
`stagnation_rule` (default)	连续 `stagnation_window` 节点 composite 平稳	每 run 0–`rate_limit_per_run` 次 LLM 调用
`every_node`	每个 BFTS step（LLM 也决定时机）	每 node 1 次 LLM 调用

每次触发的 decision（含 continue）追加到 {checkpoint}/lineage_decisions.jsonl，事后可完整复盘「何时停滞、何时切换、何时终止」。root_idea_selection 也写入同一文件（不同 trigger）。

Root Idea Selection (v0.7.0+)

VirSci 写完 idea.json 后，LLM 根据 venue rubric 与 ancestor research thread 决定 ideas[0] 保持还是换为 ideas[N]。Default 保留 VirSci 的分数顺序（ideas[0]）；LLM 输出超出范围时同样回退到 ideas[0]。启动时 1 次 LLM 调用，无 per-node 成本。

yaml

root_idea_selection:
  enabled: true                   # v0.7.0+ default

决定记录到 lineage_decisions.jsonl（trigger: "root_idea_selection"），并在 idea.json 中以 _root_choice 持久化。子（recursion）检测到 _inherited_from / _root_choice 即跳过重选。

Claim Gate Policy (v0.7.0+)

claim_gate_policy 是控制 claim–evidence hard gate（Story2Proposal Phase B3）的顶层配置块。gate 阶段在每次论文构建时运行，通过 {{claim_gate_policy}} 配线；该块由 ari-core/ari/pipeline/claim_gate/policy.py 加载。

yaml

claim_gate_policy:
  mode: warn                  # off | warn | strict
  comparison_scope: any       # any | same_environment
  numeric_coverage:
    target_sections:
      strict: [abstract, results, conclusion]
      warn: [introduction, discussion, limitations]
      excluded: [related_work, references, appendix, equations]
  numeric_match:
    default_tolerance: {absolute: 0.0, relative: 0.02}
  blocking:
    block_on: [numeric_mismatch, operand_unresolved, missing_evidence]

mode 控制阻断行为（环境变量 ARI_CLAIM_GATE_MODE 可覆盖）：

Mode	行为
`off`	从不阻断。
`warn`（默认）	报告错误/警告，但不阻断 `finalize_paper`。
`strict`	存在 `block_on` 错误时最终 gate 阻断（跳过 `finalize_paper`），strict 节中未覆盖的结果数值也会变为阻断项。draft gate 从不阻断。

comparison_scope 是注入的研究意图（环境变量 ARI_COMPARISON_SCOPE 可覆盖）：

Scope	跨环境比较
`any`（默认）	透明性警告——适用于以跨主机比较本身为贡献的跨架构研究。
`same_environment`	阻断错误——适用于单一架构的优化研究。

numeric_coverage.target_sections 按 gate 严重级别列出需检查数值论断的论文章节（strict/warn）以及忽略的章节（excluded）。 numeric_match.default_tolerance 是在论断未携带单独 tolerance 时应用的匹配容差（absolute: 0.0、relative: 0.02＝2%）。blocking.block_on 是在 strict 下阻断最终 gate 的 finding type 列表： numeric_mismatch、operand_unresolved、missing_evidence。

另一组客观虚假的 finding type （invariant_violation、correctness_failed、correctness_uncovered、 placeholder_denominator、recompute_mismatch、claim_evidence_missing、 ceiling_unmeasured）无论 mode 为何都会阻断最终论文。这些默认值位于 policy.py 的 blocking.always_block_on，不在 workflow.yaml 中设置。

BFTS 调优

通过环境变量控制 BFTS 行为：

bash

export ARI_MAX_NODES=12      # Explore up to 12 nodes (small run)
export ARI_PARALLEL=4        # Run 4 nodes concurrently
export ARI_EXECUTOR=slurm    # Submit each node as a SLURM job

或在 workflow.yaml 的 bfts: 部分设置默认值（如果您的版本支持）。

BFTS 评估层 (可通过配置切换)

BFTS 评估由 4 层组成，每层可在 default.yaml（或自定义 YAML）中独立选择。默认值保留原有行为，未修改的 config 等同于 no-op。

yaml

bfts:
  frontier_score: scientific_plus_diversity   # 回退选择器对前沿节点的排名策略
  depth_penalty_lambda: 0.05                  # 供 frontier_score=depth_penalized 使用
  ucb_c: 0.5                                  # 供 frontier_score=ucb_like 使用
  select_prompt: orchestrator/bfts_select               # select_next_node 的 LLM prompt
  expand_select_prompt: orchestrator/bfts_expand_select # select_best_to_expand 的 LLM prompt

evaluator:
  composite: harmonic_mean   # 将各轴分数合成 _scientific_score 的公式
  axis_mode: dynamic         # 提交给 judge LLM 的轴集合
  custom_axes: []            # 仅在 axis_mode=custom 时使用
  axis_weights: { ... }      # 现有；每轴权重覆盖

Layer A — `evaluator.composite`

选择把每轴分数压缩成节点上 _scientific_score 的公式（见 ari/evaluator/llm_evaluator.py）。_scientific_score 驱动排名、lineage decision 和最终报告 best-of 选择。

值	行为
`harmonic_mean`（默认）	加权调和平均。单个弱轴会被强烈惩罚，复刻原有行为。
`arithmetic_mean`	加权算术平均。各轴线性互补，较宽容。
`weighted_min`	返回最低轴值的瓶颈式。权重作为「该轴是否参与」的门，不缩放分数。
`geometric_mean`	加权几何平均，介于调和与算术之间。

Layer B — `bfts.frontier_score`

LLM 选择器无法选中候选时，BFTS 确定性回退评分（ari/orchestrator/bfts.py 的 _select_fallback）所用的策略。 LLM 选择器本身不受此设置影响。

值	计算式
`scientific_plus_diversity`（默认）	`_scientific_score + diversity_bonus`
`scientific_only`	`_scientific_score`（无 diversity tiebreaker）
`depth_penalized`	`_scientific_score + diversity_bonus − λ·depth`（`λ = bfts.depth_penalty_lambda`）
`ucb_like`	`_scientific_score + diversity_bonus + c · √(log N / (visits + 1))`（`c = bfts.ucb_c`，`visits` 为该节点已展开次数，`N = total_visits + frontier_size`）

depth_penalty_lambda = 0.0 会让 depth_penalized 退化为默认策略； ucb_c = 0.0 会让 ucb_like 退化为默认策略。

Layer C — `evaluator.axis_mode`

决定向 judge LLM 提交的轴集合。

值	轴来源
`dynamic`（默认）	通用 5 轴 floor + 有效 rubric (`ARI_RUBRIC`) 派生 + `idea.json` 中的 plan-keyword 轴。当 `idea.json` mtime 变化时自动刷新。
`legacy`	固定的 5 轴 (`measurement_validity`, `comparative_rigor`, `novelty`, `reproducibility`, `clarity_of_contribution`)。不读 rubric / plan。
`custom`	原样使用 `evaluator.custom_axes`。

custom_axes 是 {name, description, weight} 的列表。description 会发送给 judge LLM，请写明该轴的含义：

yaml

evaluator:
  axis_mode: custom
  custom_axes:
    - name: speedup
      description: "Wall-clock speedup vs. baseline (1.0 = no change)."
      weight: 0.5
    - name: accuracy
      description: "Numerical accuracy preserved within tolerance."
      weight: 0.5

当 axis_mode=custom 时，axis_weights 中的既有键名不会自动转换为自定义轴名。若要从 YAML weights 表覆盖权重，请用新轴名重新写入。

Layer D — `bfts.select_prompt` / `bfts.expand_select_prompt`

两者均为 FilesystemPromptLoader 键（相对 ari-core/ari/prompts/，不含 .md 扩展名）。默认指向项目内置模板。

用户自定义模板必须声明 BFTS formatter 使用的占位符：

select_prompt：{experiment_goal}、{memory_context}、{candidates} — LLM 必须仅返回一个 0-based 整数索引。
expand_select_prompt：{experiment_goal}、{candidates} — 返回格式相同。

若键所指向的文件不存在，FilesystemPromptLoader 会立即抛出异常（fail-fast，无静默回退）。

快速食谱

宽松评分 + UCB 探索:

yaml

evaluator: { composite: arithmetic_mean }
bfts: { frontier_score: ucb_like, ucb_c: 1.0 }

瓶颈评分（仅在每个轴都好时才发布）:
yaml
```
evaluator: { composite: weighted_min }
```
judge 固定为 5 轴（复刻 legacy）:
yaml
```
evaluator: { axis_mode: legacy }
```

EAR 精选 (`ear/publish.yaml`) — v0.7.0+

精选机制让作者通过 allowlist 控制 {checkpoint}/ear/ 中哪些子集进入可发布的 bundle ({checkpoint}/ear_published/ + manifest.lock)。 ari-core 内置的 deny list 始终强于 include, 防止意外公开机密文件。

Schema (`ari-core/ari/schemas/publish.schema.json`)

yaml

# 示例：<checkpoint>/ear/publish.yaml
include:                     # 相对 ear/ 的 glob (allowlist)
  - "README.md"
  - "LICENSE"
  - "reproduce.sh"
  - "code/**"                # contributing 链的 verbatim 源文件
  - "data/**"                # 仅上传输入数据；不打包实验输出
  - "figures/**"             # 顶层 figures
  - "environment.json"
# 注：EVOLUTION.md 和 _provenance.json 是位于 ear/ 外（checkpoint 根目录）
# 的 ARI 审计日志，不会被收入发布 bundle。
exclude: []                  # 用户指定排除 (在 include 之后应用)
max_file_mb: 100             # 超过此大小的 allowlist 文件会显式失败
visibility: staged           # staged|public|unlisted|private-token|embargoed-until:YYYY-MM-DD
required: false
auto_promote: false
license: MIT                 # SPDX；ear/LICENSE 据此从模板生成
backend: ari-registry

v0.6.0 旧路径（code/<node_id>/**、data/raw_metrics.json、logs/**、reproducibility/**）在 v0.7.0 中不再产生；请从旧的 publish.yaml 中移除。

内置 deny 模式

以下模式始终排除,即便 include 命中:

.env, .env.*, **/.env, **/.env.*
**/secrets/**, secrets/**
**/*.pem, **/*.key
**/id_rsa, **/id_ed25519

manifest.lock 仅记录被排除的数量,不记录路径。

行为

publish.yaml 不存在 时,ear_curate 阶段静默跳过, 论文 Code Availability 段落省略 (与 v0.6.0 检查点完全向后兼容)。
bundle digest (manifest.lock 中的 bundle_sha256) 是按路径排序的文件记录 (path + size + sha256) 的规范 JSON 的 sha256, 跨机器可复现, 是写入论文的永久真实值。
精选是 原子的: max_file_mb 超限等硬失败时, 之前正常的 ear_published/ 不会被破坏。

CLI

bash

ari ear curate <checkpoint>            # 友好输出
ari ear curate <checkpoint> --json     # 机器可读
ari ear status <checkpoint>            # 显示 manifest 摘要

ari ear publish <checkpoint> --backend ari-registry --visibility staged
ari ear promote <checkpoint> --target public

Pipeline 集成

workflow.yaml 在 paper 管线中,ear_curate 阶段插入到 generate_ear 与 generate_figures 之间, 调用 transform skill 的 curate_ear MCP 工具; publish.yaml 不存在时为 no-op。

配置参考 ​

workflow.yaml（权威开发者配置） ​

环境变量 ​

记忆后端 (Letta) ​

LLM 后端 ​

Ollama（本地，推荐用于离线 HPC） ​

OpenAI ​

Anthropic ​

任何 OpenAI 兼容 API（vLLM、LM Studio 等） ​

workflow.yaml 中的模板变量 ​

skip_if_exists 验证 ​

Plan Promote (v0.7.0+) ​

Lineage Decision (v0.7.0+) ​

Root Idea Selection (v0.7.0+) ​

Claim Gate Policy (v0.7.0+) ​

BFTS 调优 ​

BFTS 评估层 (可通过配置切换) ​

Layer A — evaluator.composite ​

Layer B — bfts.frontier_score ​

Layer C — evaluator.axis_mode ​

Layer D — bfts.select_prompt / bfts.expand_select_prompt ​

快速食谱 ​

EAR 精选 (ear/publish.yaml) — v0.7.0+ ​

Schema (ari-core/ari/schemas/publish.schema.json) ​

内置 deny 模式 ​

行为 ​

CLI ​

Pipeline 集成 ​

配置参考

workflow.yaml（权威开发者配置）

环境变量

记忆后端 (Letta)

LLM 后端

Ollama（本地，推荐用于离线 HPC）

OpenAI

Anthropic

任何 OpenAI 兼容 API（vLLM、LM Studio 等）

workflow.yaml 中的模板变量

skip_if_exists 验证

Plan Promote (v0.7.0+)

Lineage Decision (v0.7.0+)

Root Idea Selection (v0.7.0+)

Claim Gate Policy (v0.7.0+)

BFTS 调优

BFTS 评估层 (可通过配置切换)

Layer A — `evaluator.composite`

Layer B — `bfts.frontier_score`

Layer C — `evaluator.axis_mode`

Layer D — `bfts.select_prompt` / `bfts.expand_select_prompt`

快速食谱

EAR 精选 (`ear/publish.yaml`) — v0.7.0+

Schema (`ari-core/ari/schemas/publish.schema.json`)

内置 deny 模式

行为

CLI

Pipeline 集成