Auto Iteratev1.0.0

数据科学家为深度学习模型设置 auto-iterate，目标文件为 train.py，运行命令为 uv run train.py，指标为 val_bpb。Agent 整夜自主修改网络结构、学习率、正则化等参数，每轮对比指标并自动回滚无效改动。第二天早晨直接获得 100+ 轮实验的最优配置和完整 results.tsv 记录。

量化研究员将回测脚本 backtest.py 交给 auto-iterate，指标为夏普比率（higher），每轮修改止损阈值、仓位公式或信号参数。Agent 自动运行回测、记录每轮表现，保留提升夏普比率的改动，回滚导致回撤扩大的实验，从而在有限时间内挖掘出稳健的策略组合。

AI 应用开发者将 prompt 模板文件作为唯一可修改目标，运行命令为评测脚本，指标为准确率（higher）。auto-iterate 自动迭代措辞、示例数量、思维链结构，每次保留得分更高的 prompt 版本并自动 git 提交。适合将 prompt 工程从手工试错变为可追踪的自动化实验。

后端工程师用 auto-iterate 优化慢查询：目标文件为 SQL 查询模板，运行命令为 benchmark 脚本，指标为平均响应时间（lower）。Agent 自主尝试索引提示、重写 JOIN、调整子查询等，每轮记录延迟并回滚退化改动，最终产出经实测验证的最快查询版本。

推荐算法工程师将排序模型训练脚本交给 auto-iterate，指标为 NDCG@10，利用夜间无人值守时间自动尝试特征组合、损失函数和网络深度。Agent 持续运行、评估、保留最优，并在连续无改进时尝试激进改动，大幅缩短模型迭代周期。

auto-iterate 作为开源 skill 免费分发，吸引开发者使用；同时提供云端托管版本，支持远程运行、结果可视化和多任务并行调度。用户无需本地算力即可夜间自动迭代，平台按实验轮数或计算时长收费。

面向金融、医疗、制造等行业客户，将 auto-iterate 嵌入其现有 MLOps 流水线，提供审计日志、合规回滚、团队协作和指标看板。以项目制或年费方式交付，并配套专家调优服务。

构建一个去中心化或云端算力市场，用户提交 auto-iterate 实验任务，由闲置 GPU/CPU 资源竞价执行。平台抽成交易费用，同时为算力提供方创造收益，降低用户夜间大规模实验的成本。