KAPSO: Un marco basado en conocimiento para la Síntesis y Optimización Autónoma de Programas

KAPSO: A Knowledge-grounded framework for Autonomous Program Synthesis and Optimization

January 29, 2026

Autores: Alireza Nadaf, Alireza Mohammadshahi, Majid Yazdani

cs.AI

Resumen

Presentamos KAPSO, un marco modular para la síntesis y optimización autónoma de programas. Dado un objetivo en lenguaje natural y un método de evaluación, KAPSO realiza iterativamente ideación, síntesis y edición de código, ejecución, evaluación y aprendizaje para mejorar un artefacto ejecutable hacia objetivos medibles. En lugar de tratar la síntesis como un punto final, KAPSO utiliza la síntesis como un operador dentro de un bucle de optimización de horizonte largo, donde el progreso se define por los resultados del evaluador. KAPSO aborda los fallos de horizonte largo comunes en los agentes de programación, como la pérdida del estado experimental, la depuración frágil y la reutilización débil de la experiencia de dominio, mediante la integración de tres componentes estrechamente acoplados. En primer lugar, un motor de experimentación nativo de git aísla cada intento como una rama, produciendo artefactos reproducibles y preservando la procedencia a lo largo de las iteraciones. En segundo lugar, un sistema de conocimiento ingiere fuentes heterogéneas, incluyendo repositorios, manuales internos y recursos externos seleccionados como documentación, artículos científicos y resultados de búsqueda web, y los organiza en una representación estructurada que soporta la recuperación de flujos de trabajo, implementaciones y restricciones del entorno. En tercer lugar, una capa de memoria cognitiva coordina la recuperación y mantiene un almacén episódico de lecciones reutilizables destiladas de los rastros de experimentos (registros de ejecución, diferencias y retroalimentación del evaluador), reduciendo modos de error repetitivos y acelerando la convergencia. Evaluamos KAPSO en MLE-Bench (competencias de ML estilo Kaggle) y ALE-Bench (optimización heurística AtCoder), y reportamos el rendimiento de extremo a extremo. Código disponible en: https://github.com/Leeroo-AI/kapso

English

We introduce KAPSO, a modular framework for autonomous program synthesis and optimization. Given a natural language goal and an evaluation method, KAPSO iteratively performs ideation, code synthesis and editing, execution, evaluation, and learning to improve a runnable artifact toward measurable objectives. Rather than treating synthesis as the endpoint, KAPSO uses synthesis as an operator within a long-horizon optimization loop, where progress is defined by evaluator outcomes. KAPSO targets long-horizon failures common in coding agents, including lost experimental state, brittle debugging, and weak reuse of domain expertise, by integrating three tightly coupled components. First, a git-native experimentation engine isolates each attempt as a branch, producing reproducible artifacts and preserving provenance across iterations. Second, a knowledge system ingests heterogeneous sources, including repositories, internal playbooks, and curated external resources such as documentation, scientific papers, and web search results, and organizes them into a structured representation that supports retrieval over workflows, implementations, and environment constraints. Third, a cognitive memory layer coordinates retrieval and maintains an episodic store of reusable lessons distilled from experiment traces (run logs, diffs, and evaluator feedback), reducing repeated error modes and accelerating convergence. We evaluated KAPSO on MLE-Bench (Kaggle-style ML competitions) and ALE-Bench (AtCoder heuristic optimization), and report end-to-end performance. Code Available at: https://github.com/Leeroo-AI/kapso