KAPSO: un framework basato sulla conoscenza per la sintesi e l'ottimizzazione autonoma di programmi

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

January 29, 2026

Autori: Alireza Nadaf, Alireza Mohammadshahi, Majid Yazdani

cs.AI

Abstract

Introduciamo KAPSO, un framework modulare per la sintesi e l'ottimizzazione autonoma di programmi. Dato un obiettivo in linguaggio naturale e un metodo di valutazione, KAPSO esegue iterativamente le fasi di ideazione, sintesi e modifica del codice, esecuzione, valutazione e apprendimento per migliorare un artefatto eseguibile verso obiettivi misurabili. Piuttosto che trattare la sintesi come punto di arrivo, KAPSO utilizza la sintesi come un operatore all'interno di un ciclo di ottimizzazione a lungo termine, dove il progresso è definito dagli esiti del valutatore. KAPSO affronta i fallimenti a lungo termine comuni negli agenti di programmazione, inclusi la perdita dello stato sperimentale, il debugging fragile e il riutilizzo debole dell'expertise di dominio, integrando tre componenti strettamente accoppiati. Primo, un motore di sperimentazione nativo git isola ogni tentativo come un branch, producendo artefatti riproducibili e preservando la provenienza attraverso le iterazioni. Secondo, un sistema di conoscenza assimila fonti eterogenee, inclusi repository, playbook interni e risorse esterne curate come documentazione, articoli scientifici e risultati di ricerche web, e le organizza in una rappresentazione strutturata che supporta il retrieval su workflow, implementazioni e vincoli ambientali. Terzo, un livello di memoria cognitiva coordina il retrieval e mantiene un archivio episodico di lezioni riutilizzabili estratte dalle tracce degli esperimenti (log di esecuzione, diff e feedback del valutatore), riducendo le modalità di errore ripetute e accelerando la convergenza. Abbiamo valutato KAPSO su MLE-Bench (competizioni ML in stile Kaggle) e ALE-Bench (ottimizzazione euristica AtCoder) e riportiamo le prestazioni end-to-end. Codice disponibile su: 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