KAPSO: Een kennisgebaseerd raamwerk voor autonome programma-synthese en -optimalisatie

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

January 29, 2026

Auteurs: Alireza Nadaf, Alireza Mohammadshahi, Majid Yazdani

cs.AI

Samenvatting

Wij introduceren KAPSO, een modulair raamwerk voor autonome programma-synthese en -optimalisatie. Gegeven een doelstelling in natuurlijke taal en een evaluatiemethode, voert KAPSO iteratief ideatie, codesynthese en -bewerking, uitvoering, evaluatie en leren uit om een uitvoerbaar artefact te verbeteren richting meetbare doelstellingen. In plaats van synthese als eindpunt te beschouwen, gebruikt KAPSO synthese als een operator binnen een optimalisatielus met een lange tijdshorizon, waarbij vooruitgang wordt gedefinieerd door de resultaten van de evaluator. KAPSO richt zich op veelvoorkomende fouten met een lange tijdshorizon bij coderende agents, zoals verloren experimentele staat, broos debuggen en zwak hergebruik van domeinkennis, door de integratie van drie nauw gekoppelde componenten. Ten eerste isoleert een git-native experimentatiemotor elke poging als een branch, wat reproduceerbare artefacten oplevert en de herkomst bewaart over iteraties heen. Ten tweede verwerkt een kennissysteem heterogene bronnen, waaronder repositories, interne playbooks en gecureerde externe bronnen zoals documentatie, wetenschappelijke artikelen en webzoekresultaten, en organiseert deze in een gestructureerde representatie die ondersteuning biedt voor retrieval van workflows, implementaties en omgevingsrestricties. Ten derde coördineert een cognitieve geheugenlaag de retrieval en onderhoudt een episodische opslag van herbruikbare lessen, gedistilleerd uit experimenttrajecten (uitvoeringslogboeken, diffs en evaluatorfeedback), waardoor herhaalde foutmodi worden verminderd en convergentie wordt versneld. Wij evalueerden KAPSO op MLE-Bench (Kaggle-stijl ML-wedstrijden) en ALE-Bench (AtCoder heuristische optimalisatie), en rapporteren de end-to-end prestaties. Code beschikbaar op: 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