goal-research-loop

name	goal-research-loop
description	Use this skill when the user explicitly wants a goal-directed research loop that keeps proposing, testing, logging, and refining ideas toward a stated objective across repeated iterations or autonomous runs. Do not use it for one-shot summaries or when no evaluation signal can be defined.

Goal Research Loop

특정 목적이 주어졌을 때 반복 실험·검증·기록을 통해 계속 개선하는 연구 루프를 설계하고 운영합니다.

When it fits

• 사용자가 명시적으로 지속 연구, 반복 개선, autonomous/overnight experimentation을 원할 때
• objective를 한 문장으로 압축할 수 있고, baseline 대비 개선을 비교할 수 있을 때
• 한 라운드마다 가설 1개 + 변경 1덩어리 + 평가 1회로 닫을 수 있을 때

Do not use when

• 한 번의 요약/정리면 충분한 작업
• 직접 목적은 “테스트/빌드가 통과할 때까지 반복 실행”인 작업 → ralph-loop
• 직접 목적은 외부 GPT/deep research에 넘길 리서치 프롬프트 생성인 작업 → gpt-research
• hard gate나 proxy metric을 끝내 정의할 수 없는 작업

Important

• 이 스킬은 explicit-only입니다.
• 시작 전에 반드시 objective, mutable surface, evaluation contract, budget, stop condition을 먼저 정합니다.
• 측정 가능한 신호가 없으면 바로 루프를 돌리지 말고, hard gate + proxy metric을 먼저 정의하거나 범위를 다시 잡습니다.
• mode와 execution substrate를 같은 축으로 취급하지 않습니다. mode는 design / guided-loop / autonomous-loop, execution substrate는 agent-first / script-first입니다.
• 사용자가 실제로 반복 실행 가능한 Codex 연구 루프를 원하면 ad-hoc 수동 운영보다 scripts/goal-research-loop.sh 또는 scripts/codex_goal_research_loop.py를 우선 사용합니다.
• 스크립트 경로를 제안할 때는 전역 설치 기준으로 ~/.codex/skills/goal-research-loop/scripts/... 경로를 우선 안내합니다.
• 명시 요청이 없으면 기본은 bounded loop (예: 3~5회) 입니다. 무기한 루프는 explicit-only입니다.
• autonomous-loop는 사용자 opt-in, bounded surface, 명확한 stop rule이 모두 있을 때만 사용합니다.
• 기본 매핑은 design → agent-first, autonomous-loop → script-first, guided-loop → contract 완성도와 반복 실행 필요성에 따라 선택입니다.
• 같은 실패 패턴이 2회 이상 반복되면 refine 대신 pivot, rescope, escalate를 우선 검토합니다.
• 반복 세션이나 autonomous-loop에서는 baseline / best-known state / active hypothesis / next candidates를 담은 state snapshot을 유지합니다.
• hard gate 결과, 실험 결과 상태, 루프 제어 상태를 한 칸에 섞어 쓰지 않습니다.

Modes

• design — 루프 계약과 평가식을 설계만 한다
• guided-loop — 각 라운드 결과를 공유하며 연구를 진행한다
• autonomous-loop — 중간 확인 없이 정해진 stop condition까지 계속 진행한다
• 선택 기준은 references/fit-and-mode-routing.md를 먼저 봅니다.

Use references

• references/fit-and-mode-routing.md
• references/agent-vs-script-routing.md
• references/loop-contract.md
• references/decision-layers-and-status-mapping.md
• references/iteration-heuristics.md
• references/proxy-metric-patterns.md
• references/result-ledger-template.md
• references/state-snapshot-and-handoff.md
• references/worked-example-skill-improvement.md
• references/codex-cli-runner.md
• scripts/codex_goal_research_loop.py
• scripts/goal-research-loop.sh
• templates/program.md
• templates/contract.md
• templates/state_snapshot.md
• templates/ledger.tsv
• schemas/round-result.schema.json

Quick start

1. fit-and-mode-routing.md와 agent-vs-script-routing.md로 이 스킬이 맞는지, mode, execution substrate를 먼저 고릅니다.
2. loop-contract.md 템플릿으로 계약을 쓰고 baseline을 확보합니다.
3. decision-layers-and-status-mapping.md로 gate / experiment status / control action 층위를 먼저 맞춥니다.
4. metric이 정량이 아니면 proxy-metric-patterns.md로 rubric을 먼저 고릅니다.
5. 반복 세션이면 state-snapshot-and-handoff.md 템플릿으로 best-known state와 다음 후보를 먼저 잡습니다.
6. 처음 운영하면 worked-example-skill-improvement.md로 contract → ledger → snapshot 연결 예시를 한번 봅니다.
7. 한 라운드에 가설 하나만 실행하고 result-ledger-template.md 형식으로 기록합니다.
8. 각 라운드는 hard gate 결과 + experiment status + control action으로 닫습니다.

Codex CLI runner quick start

karpathy/autoresearch의 program.md + results.tsv + keep/discard loop 패턴을 goal-research-loop 규칙에 맞게 옮긴 host-managed runner가 포함되어 있습니다.

~/.codex/skills/goal-research-loop/scripts/goal-research-loop.sh init /path/to/workspace "한 문장 objective"

~/.codex/skills/goal-research-loop/scripts/goal-research-loop.sh run /path/to/workspace --max-rounds 3 --search --full-auto

python3 ~/.codex/skills/goal-research-loop/scripts/codex_goal_research_loop.py \
  init \
  --workspace /path/to/workspace \
  --objective "한 문장 objective"

python3 ~/.codex/skills/goal-research-loop/scripts/codex_goal_research_loop.py \
  reconcile \
  --workspace /path/to/workspace

~/.codex/skills/goal-research-loop/scripts/goal-research-loop.sh \
  resume \
  /path/to/workspace \
  --max-rounds 3 \
  --search \
  --full-auto

python3 ~/.codex/skills/goal-research-loop/scripts/codex_goal_research_loop.py \
  run \
  --workspace /path/to/workspace \
  --max-rounds 3 \
  --search \
  --full-auto

세부 동작은 references/codex-cli-runner.md를 참고하세요.

Agent-first vs script-first routing

이 스킬은 mode와 별도로 execution substrate를 고릅니다.

기본값:

• design → agent-first
• guided-loop → 둘 다 가능. contract 완성도와 반복 실행 필요성으로 고릅니다.
• autonomous-loop → script-first

아래면 agent-first로 시작합니다.

• contract가 비어 있거나 hard gate / metric / budget / stop rule이 모호할 때
• objective를 더 압축하거나 mutable surface를 다시 잘라야 할 때
• 정책 판단, 사용자 의도 해석, 설명 가능한 설계가 실행보다 더 중요할 때
• 이번 작업의 핵심이 “실험 실행”보다 “루프 계약과 라우팅 기준 설계”일 때

아래면 script-first로 운영합니다.

• 사용자가 “계속 돌려”, “반복 연구”, “overnight”, “자동으로 이어서”처럼 반복 실행 자체를 원할 때
• 같은 objective로 여러 세션에 걸쳐 program / contract / snapshot / ledger를 유지해야 할 때
• contract가 이미 채점 가능하고, mutable surface / budget / stop rule이 충분히 좁고 명확할 때
• 사람이 직접 매 라운드 프롬프트를 다시 조립하는 것보다, 재현 가능한 host-managed loop가 더 적합할 때

권장 우선순위:

1. contract가 비어 있거나 scope가 흔들리면 → agent-first로 design 또는 bounded guided-loop
2. 반복 가능한 실행 계약이 준비되면 → goal-research-loop.sh init
3. 현재 상태 확인 → goal-research-loop.sh status
4. bounded 연구 실행 → goal-research-loop.sh run --max-rounds N
5. 사용자가 명시적으로 원할 때만 → codex_goal_research_loop.py run --loop-forever

반대로 아래는 수동 설계만 먼저 해도 됩니다.

• 아직 contract가 비어 있어 design부터 해야 할 때
• hard gate / metric / budget이 정의되지 않아 스크립트 실행이 이른 때
• 단순 one-shot 제안이나 contract 초안만 필요한 때

Workflow

1. Frame the objective
   • 사용자의 목적을 한 문장 목표와 1~3개의 성공 기준으로 압축합니다.
   • 연구 대상, 변경 가능 범위, 변경 금지 범위를 분리합니다.
2. Choose the operating mode and execution substrate
   • mode: design / guided-loop / autonomous-loop
   • execution substrate: agent-first / script-first
   • 사용자 요청이 없으면 보수적으로 design + agent-first 또는 guided-loop + agent-first에서 시작하고, contract가 실행 가능해진 뒤 script-first로 넘길지 판단합니다.
3. Write the contract
   • loop-contract.md 템플릿으로 hard gates, primary metric, tie-breaker, budget, stop condition, execution substrate를 명시합니다.
   • 가능하면 baseline을 먼저 확보합니다.
   • 반복 세션이면 state snapshot과 ledger 위치도 같이 정합니다.
   • 실행 가능한 반복 루프가 목적이고 contract가 이미 충분히 좁으면, 이 단계에서 goal-research-loop.sh init으로 템플릿 파일을 먼저 생성하는 편을 우선 검토합니다.
4. Run one hypothesis at a time
   • 한 라운드에는 가설 하나만 검증합니다.
   • 변경 → 실행/조사 → 평가 → 기록 → keep/revert를 한 덩어리로 끝냅니다.
   • agent-first 상황이면 현재 세션에서 명시적으로 가설·근거·판정을 공유하며 진행합니다.
   • script-first 상황이면 수동 운영보다 goal-research-loop.sh run으로 round artifacts를 남기며 진행하는 편을 우선합니다.
5. Decide with evidence
   • hard gate 실패면 metric 개선이 있어도 기본적으로 reject합니다.
   • 개선 폭이 작다면 복잡도 증가 비용과 함께 판단합니다.
   • 2회 이상 같은 실패가 반복되면 refine 대신 pivot, rescope, escalate를 우선 검토합니다.
6. Maintain a ledger
   • 각 실험은 result-ledger-template.md 형식으로 남깁니다.
   • hard gate는 pass/fail, experiment status는 keep/discard/crash, control action은 pass/refine/pivot/rescope/escalate/stop으로 분리합니다.
7. Stop cleanly
   • 목표 달성, 예산 소진, 반복 정체, 사용자 중단, 리스크 증가 중 하나가 발생하면 종료합니다.
   • 마지막에는 현재 best state, 남은 리스크, 다음 실험 후보를 요약합니다.

Decision rules

• hard gates > primary metric > secondary metrics > simplicity
• 가능한 한 작은 변경 + 짧은 피드백 루프를 우선합니다.
• write task에서는 되돌릴 수 있는 단위로 commit 또는 diff를 나눕니다.
• research-only task에서도 결과물은 표, 로그, 비교표처럼 누적 가능하게 남깁니다.

Operating artifacts

• Research contract — objective, metric, mutable surface, budget, stop rule
• Result ledger — 각 라운드의 hypothesis / evidence / hard gate / experiment status / control action
• State snapshot — baseline, current best state, active hypothesis, open risks, next candidates, most recent control action
• Evidence bundle — 실행 로그, 조사 링크, 비교표, diff 등 evaluator가 다시 읽을 수 있는 근거

장기 루프일수록 “무엇을 했는가”보다 다음 세션이 바로 이어받을 수 있는 상태 표현이 더 중요합니다.

Review Harness

• mode: required
• 공통 기준: ../../../docs/review-harness.md
• planner: objective, metric, mutable surface, budget, stop rule과 decision layer 구분을 계약으로 먼저 정한다
• generator: 가설을 하나씩 실행하고 결과를 ledger에 기록하며 experiment status와 control action을 분리한다
• evaluator: contract 대비 hard gate, metric, evidence 품질, 반복 discipline, decision layer 일관성, 상태 연속성을 독립적으로 점검한다
• 평가축: 목표 명확성, 평가 가능성, evidence 품질, keep/revert 정당성, 반복 전략의 건전성, decision layer 일관성, 세션 간 상태 연속성
• artifacts/evidence: loop contract, baseline, experiment ledger, state snapshot, 실행 로그 또는 조사 근거, 최종 delta summary
• pass condition: 목표를 실제로 전진시켰거나, 왜 중단했는지 evidence 기반으로 설명 가능한 상태여야 한다
• 자동 다음 행동: pass면 best state 요약 후 종료, refine이면 같은 계약으로 다음 가설 실행, pivot이면 접근 전략 변경, rescope면 계약 재작성, escalate면 사람 또는 별도 evaluator로 넘기고 block 이유를 남긴다, stop이면 남은 리스크와 다음 후보만 남기고 종료한다

Output expectation

• 선택한 mode
• 선택한 execution substrate (agent-first | script-first) 와 그 이유
• script-first라면 사용할 명령
• objective와 evaluation contract
• 현재 baseline / best-known state
• 최근 라운드의 hard gate 결과 / experiment status / control action
• state snapshot 또는 handoff 메모
• 다음 실험 또는 종료 사유
• 필요 시 ledger 발췌와 핵심 evidence