项目 02 — 从基线到最优

配套讲座：第 03 讲 + 第 04 讲
起始代码：projects/project-02/starter/
参考答案：projects/project-02/solution/

---

你将构建什么

一个函数拟合实验：发现生成某数据集的隐藏数学函数。目标 RMSE < 0.05。循环会在中间局部最优处卡住——你将亲身观察 L1 枢轴策略的实际运行。

学习目标

• 为非平凡指标（RMSE）编写自定义评估器
• 通过详细阅读 research_log.md 观察五阶段循环内部机制
• 体验 L1 枢轴（连续 3 次无改进迭代）
• 理解智能体如何读取 git 历史以避免重复尝试失败的方法

起始状态

projects/project-02/starter/
├── predict.py        ← 你的模型（从线性回归开始）
├── generate_data.py  ← 生成训练/测试数据（只读）
├── train_data.csv    ← 训练数据
├── test_data.csv     ← 测试数据
├── evaluate.py       ← RMSE 评估器（已写好）
└── research.md       ← 预配置了目标和约束

隐藏函数形式为 y = f(x₁, x₂)。起始 predict.py 使用线性回归——RMSE 约为 2.1。目标是 RMSE < 0.05。

第 1 步 — 确认基线

python evaluate.py
# {"pass": false, "score": 2.1147}

基线已确认。循环启动时智能体将从 research.md 读取这个值。

第 2 步 — 运行循环

/autoresearch

观察 L1 枢轴的出现。在优化多项式特征约 5 次迭代后，智能体会遇到连续 3 次无改进并切换策略。注意它枢轴到了什么方向。

关键观察点

在第 8 次迭代后读取 research_log.md，你应该看到类似以下内容：

## Iteration 7
Hypothesis: degree-6 polynomial should capture more curvature
Result: RMSE = 0.31 — DISCARD (worse than best: 0.28)

## Iteration 8 [L1 PIVOT]
History analysis: tried linear (2.1), quadratic (0.8), cubic (0.41), degree-4 (0.29),
degree-5 (0.28), degree-6 (0.31). Polynomial family appears saturated.
New direction: try interaction terms and non-polynomial features (log, sqrt, exp).
Hypothesis: log(x₁) * x₂ interaction may capture the hidden function structure.
Result: RMSE = 0.12 — KEEP

从多项式到交互项的枢轴正是 L1 策略：相同范式（特征工程），不同方向。

预期结果

Final best: rmse = 0.028
Target: < 0.05 ✓
Iterations used: ~12 of 20

验证

python evaluate.py
# {"pass": true, "score": 0.028}

git log --oneline | head -15
# Shows the full experiment history