Leeroo开源Kapso：从企业数据中迭代学习的引擎

嘿，HN！我们是 Alireza 和 Majid，正在构建 Leeroo（https://leeroo.com/）。此前，我们曾为拥有数百万用户的产品构建 AI 系统，包括在 LinkedIn 和 Meta。现在我们专注于为企业数据构建 AI 系统。今天，我们开源了 Kapso（https://github.com/Leeroo-AI/kapso），这是一个运行实验、部署最佳解决方案并从每次运行中学习的引擎。数据工作的本质是迭代的：调查、形成假设、实验，并根据所学进行改进。这种自下而上的过程是在大型、混乱的企业数据环境中快速交付有意义成果的唯一方式。顾问在会议中收集上下文，或者团队预先定义业务本体以适配数据，这在几个季度甚至几年内都没有执行的机会。一个 AI 原生系统应该自动化这一过程，使学习在每次新的调查和实施中不断累积。例如，我们的一个企业项目是将一家公司从其旧数据资产迁移到湖仓，涉及 30 多个源系统家族、数千张表和转换、以及数百份 BI 报告。没有任何个人或 AI 智能体知道该数据资产是如何连接和运行的。了解它的唯一方式是调查公司的代码库、dbt 模型、文档和数据本身，提出关于该资产的假设，运行实验并从中学习，直到我们理解每个系统如何运行以及在何种条件下运行。这种迭代工作不仅限于理解数据和系统如何组合在一起，以及业务运营。构建有用的软件也是迭代的。无论你是在优化仓库、构建湖仓管道还是预测流失，你都需要运行实验并了解在该环境中什么最有效。随着你交付更多项目，这种专门知识会累积，原则上类似于 RL。对文档进行 RAG 直到在特定环境中尝试并学习其后果之前几乎没有价值。与人类工程工作一样，实验和学习应该在沙盒中进行。我们构建 Kapso 正是为了这类工作，你给它一个目标和成功标准，它就会朝着可以在你的技术栈上部署的最优解决方案努力。你可以在这里查看视频演示：https://www.youtube.com/watch?v=W4FHlza1fRs以下是它的工作原理……Kapso 有一个经验库，其中的经验是从过去的实验中归纳或演绎出来的，每条经验都带有可信度分数、适用条件以及背后的证据。对于每个新实验，一个构思模块会在考虑先前经验的基础上提出想法，按预期回报与各自将使用的预算进行重新排序，并将排名靠前的想法发送给实施者。由于经验库在该环境中不断从过去的实验中学习，所提出的想法比来自 LLM 或 RAG 的通用假设更适合该环境。此外，每个实验的结果都由一个验证模块验证，任何实验都无法访问和欺骗该模块。正如我们在构建此类系统时发现的那样，有时成功标准和评估测试需要演进。实验模块可以提出对指标和标准的更新，由验证模块批准或拒绝。每次运行后，learn() 会使用该次运行的证据更新经验库的分数和边界。对经验库的更改也可以通过运行其他方面完全相同、仅使用先前和更新后的经验库的构建来进行 A/B 测试。经验库构建在 git 上，因此你可以与他人分享你的经验，列出你可用的经验库，并更新它们（CLI 中的 `kapso experience share/list/update`）。该系统与模型无关，也与编码智能体无关。kapso.deploy(solution, target_stack) 遵循相同的工作流程，运行一个较短的实验循环，使最佳解决方案适配目标技术栈（例如 Docker、Modal、BentoCloud、LangGraph）。每个领域都有一个可供开始的 harness，你可以使用插件中的 /kapso:harness 或通过 CLI（kapso harness new <name>）编写自己的领域 harness，并通过运行实验在其上累积。我们在一些公共基准和实时竞赛上运行了它，结果如下……- 关系数据库上的预测建模：在 RelBench、Kumo AI（现为 Nvidia）和 Stanford 的基准上排名第一，领先于最佳表格基础模型（https://star-project.stanford.edu/relbench/leaderboard/）。这表明将学习保持在 harness 层面可以击败基础表格模型。更新经验库的成本远低于重新训练表格基础模型。- ML 工程：提交时在 OpenAI 的 MLE-bench 上排名第一，目前仍位列顶级开源系统之中（https://github.com/openai/mle-bench/pull/107）。- AI 竞赛：领先于 Sakana AI 的 ALE-Bench 作者所报告的最佳智能体，并在 2026 年实时国际人工智能奥林匹克竞赛中自主运行，超过全部 471 名人类参赛者，位列前三的 AI 系统（https://ioai-official.org/ai-models-track/ioai%c2%b2-2026-re...）。我们在 Leeroopedia（https://leeroopedia.com/）有一个面向 ML 和数据的公共库：约 10 万个页面，通过对论文和代码库进行实验提取而来，每月约 600 万次请求，其中约 28% 来自 AI 智能体。如果你在一家成长中的公司，拥有跨多个系统和职能的复杂数据资产，并且你的数据和 AI 团队人手紧张，我们很乐意提供帮助！https://github.com/Leeroo-AI/kapso