ایجنت‌های خودبهبودبخش و پژوهشگر

budget_weight = min(1.0, remaining_budget / 10.0)  # وزن کامل با باقی‌مانده بیش از 10 دلار
return self.novelty * 0.4 + self.quality * 0.5 + budget_weight * 0.1
heapq.heappush(self.frontier, (-node.score(remaining), self.counter, node.node_id))
if tree.spent >= tree.budget:                      # اتمام بودجه، توقف
run_experiment(cur, rng)                           # اجرای درون ساندباکس، مقداردهی به cost_usd
ok = verify(cur)                                   # تابع زیان (loss) بالای 4.0 یعنی loss_diverged
children = expand(cur, next_id)                    # یک تغییر کانفیگ به ازای هر فرزند
best = max(done, key=lambda n: n.quality)          # سپس بازگشت گام‌به‌گام به ریشه

docker run --network=none \                        # بدون خروج ترافیک شبکه
  --memory=8g --cpus=2 \                           # محدودیت‌های سخت‌گیرانه‌ی منابع
  --pids-limit=256 \                               # سقف تعداد فرایندها
  --read-only                                      # فایل‌سیستم فقط‌خواندنی
ai-scientist run --seed "<seed idea>" --budget 30  # 30 دلار برای هر مقاله

rec.prev_hash = self.head()  # لینک به آخرین رکورد
payload = (f"{rec.author}|{rec.task}|{rec.regime}|"
           f"{rec.result:.3f}|{rec.prev_hash}")
rec.my_hash = hashlib.sha256(payload.encode()).hexdigest()[:16]
bad = tampered.verify()      # اندیس‌های رکوردهای ویرایش‌شده