KAPSO: Uma estrutura fundamentada em conhecimento para síntese e otimização autônoma 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

Resumo

Apresentamos o KAPSO, uma estrutura modular para síntese e otimização autónoma de programas. Dado um objetivo em linguagem natural e um método de avaliação, o KAPSO executa iterativamente ideação, síntese e edição de código, execução, avaliação e aprendizagem para melhorar um artefacto executável em direção a objetivos mensuráveis. Em vez de tratar a síntese como um ponto final, o KAPSO utiliza a síntese como um operador dentro de um ciclo de otimização de longo prazo, onde o progresso é definido pelos resultados do avaliador. O KAPSO visa as falhas de longo prazo comuns em agentes de codificação, incluindo a perda de estado experimental, a depuração frágil e a fraca reutilização de conhecimento de domínio, através da integração de três componentes fortemente acoplados. Primeiro, um motor de experimentação nativo do git isola cada tentativa como um *branch*, produzindo artefactos reproduzíveis e preservando a proveniência ao longo das iterações. Segundo, um sistema de conhecimento ingere fontes heterogéneas, incluindo repositórios, manuais internos e recursos externos curados, como documentação, artigos científicos e resultados de pesquisa na web, e organiza-os numa representação estruturada que suporta a recuperação de fluxos de trabalho, implementações e restrições de ambiente. Terceiro, uma camada de memória cognitiva coordena a recuperação e mantém um repositório episódico de lições reutilizáveis, destiladas a partir de *traces* de experimentação (registos de execução, *diffs* e *feedback* do avaliador), reduzindo modos de erro repetitivos e acelerando a convergência. Avaliámos o KAPSO no MLE-Bench (competições de *Machine Learning* estilo Kaggle) e no ALE-Bench (otimização heurística AtCoder) e reportamos o desempenho de ponta a ponta. Código disponível em: 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