KAPSO : Un cadre fondé sur la connaissance pour la synthèse et l'optimisation autonomes de programmes

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

January 29, 2026

papers.authors: Alireza Nadaf, Alireza Mohammadshahi, Majid Yazdani

cs.AI

papers.abstract

Nous présentons KAPSO, un cadre modulaire pour la synthèse et l'optimisation autonomes de programmes. Étant donné un objectif en langage naturel et une méthode d'évaluation, KAPSO effectue itérativement des phases d'idéation, de synthèse et de modification de code, d'exécution, d'évaluation et d'apprentissage pour améliorer un artefact exécutable en vue d'objectifs mesurables. Plutôt que de considérer la synthèse comme un point final, KAPSO l'utilise comme un opérateur au sein d'une boucle d'optimisation à long terme, où les progrès sont définis par les résultats de l'évaluateur. KAPSO cible les échecs courants à long terme des agents de codage, tels que la perte de l'état expérimental, le débogage fragile et la faible réutilisation de l'expertise métier, en intégrant trois composants étroitement couplés. Premièrement, un moteur d'expérimentation natif git isole chaque tentative dans une branche, produisant des artefacts reproductibles et préservant la traçabilité entre les itérations. Deuxièmement, un système de connaissances ingère des sources hétérogènes, incluant des dépôts, des playbooks internes et des ressources externes organisées telles que de la documentation, des articles scientifiques et des résultats de recherche web, puis les structure en une représentation organisée qui permet une recherche basée sur les workflows, les implémentations et les contraintes d'environnement. Troisièmement, une couche de mémoire cognitive coordonne la récupération d'information et maintient un stock épisodique de leçons réutilisables, distillées à partir des traces d'expérimentation (journaux d'exécution, différences de code et retours de l'évaluateur), réduisant ainsi la répétition des modes d'erreur et accélérant la convergence. Nous avons évalué KAPSO sur MLE-Bench (compétitions de ML de type Kaggle) et ALE-Bench (optimisation heuristique de type AtCoder), et rapportons les performances de bout en bout. Code disponible à l'adresse : 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