Show HN：Kapso – 从企业数据中迭代学习

| | 大家好，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，并基于所学到的内容进行改进。这种自下而上的过程是在庞大而杂乱的企业数据环境中快速交付有意义成果的唯一途径。咨询顾问在会议中收集上下文，或团队预先定义一套业务本体去适配数据，在几个季度甚至几年内都没有执行的机会。一个 AI 原生的系统应当自动化这一过程，让每一次新的调查和实施都能累积学习。例如，我们的一个企业项目是将一家公司从旧的数据资产迁移到 lakehouse，涉及 30 多个源系统族、数千张表和转换，以及数百份 BI 报告。没有任何个人或 AI agent 知道这个数据资产是如何连接和运作的。了解它的唯一方式是调查公司的仓库、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作以及在何种条件下运作。这种迭代工作不止于理解数据和系统如何契合，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 lakehouse 流水线还是预测流失，你都需要运行实验并学习在该环境中什么最有效。随着你交付更多项目，这种 know-how 会不断累积，原理上类似于 RL。对文档做 RAG 几乎没有价值，直到它在特定环境中被尝试过并学到了后果。与人类的工程工作一样，实验和学习应当在一个沙盒中进行。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，它就会朝着一个可部署到你的技术栈上的最优方案努力。你可以在这里观看视频演示：https://www.youtube.com/watch?v=W4FHlza1fRs 下面是它的工作原理…… Kapso 拥有一个经验教训库，其中的教训从过去的实验中归纳或演绎而来，每一条都带有一个可信度分数、适用条件以及背后的证据。对于每个新实验，一个构思模块会参考先前的教训提出想法，按预期回报相对于各自将使用的预算重新排序，并将排名靠前的想法发送给实施者。由于该库会不断从该环境中的过去实验中学习，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器模块验证，任何实验都无法访问或欺骗它。正如我们在构建此类系统时发现的，有时成功标准和评估测试需要演进。实验模块可以提议对指标和标准的更新，由验证器批准或拒绝。每次运行后，learn() 会利用该次运行的证据更新经验教训库的分数和边界。对库的更改也可以通过运行除此之外完全相同的构建（使用先前和更新后的库）来进行 A/B 测试。该库构建在 git 之上，因此你可以与他人分享你的经验、列出你可用的库，并更新它们（CLI 中的 kapso experience share/list/update）。该系统与模型无关，也与 coding agent 无关。kapso.deploy(solution, target_stack) 遵循相同的工作流，运行一个更短的实验循环，以将最佳方

……方案到目标技术栈（例如 Docker、Modal、BentoCloud、LangGraph）。每个领域都有可起始的 harness，你可以通过插件中的 /kapso:harness 或 CLI（kapso harness new <name>）编写自己的领域 harness，并通过运行实验在此基础上不断累积。我们在一些公开基准和现场竞赛上运行了它，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 层面可以胜过基础表格模型。更新一个经验库的成本远低于重新训练表格基础模型。 - 机器学习工程：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列（ 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 年现场 International Olympiad in AI 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/ ）上有一个面向 ML 和数据的公共库：通过论文和代码库实验提取了约 100k 页内容，每月约 6M 次请求，其中约 28% 来自 AI 智能体。如果你在一家成长型公司，拥有横跨多个系统和职能的复杂数据资产，而你的数据和 AI 团队人手紧张，我们很乐意提供帮助！https://github.com/Leeroo-AI/kapso | |

Show HN: Kapso — 从企业数据中进行迭代学习

数据工作的本质是迭代的：调查、形成假设、实验，并根据所学到的内容进行改进。在庞大而混乱的企业数据环境中，这种自下而上的流程是快速交付有意义成果的唯一方式。顾问在会议中收集背景信息，或者团队预先定义一个业务本体去适配数据，这种做法根本没有执行的可能，无论是在几个季度内还是有时在数年内。一个 AI 原生系统应当自动化这一流程，让学习在每一次新的调查和实现中不断累积。

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 lakehouse，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 代理知道该数据资产是如何连接和运作的。了解它的唯一方式是调查公司的代码仓库、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作以及在哪些条件下运作。

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。无论你是在优化数据仓库、构建 lakehouse 管道还是预测流失，你都需要运行实验并了解在该环境中最有效的方法。随着你交付更多项目，这种专有知识会不断累积，原则上类似于 RL。对文档做 RAG 几乎没有价值，直到它在特定环境中被尝试过并且其后果被学习到。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 就是为了这类工作，你给它一个目标和成功标准，它就会朝着可以部署在你的技术栈上的最优解努力。

你可以在这里观看视频演示：https://www.youtube.com/watch?v=W4FHlza1fRs

以下是它的工作原理……

Kapso 拥有一个经验库，其中的经验是从过去的实验中归纳或演绎出来的，每条经验都带有一个可信度分数、适用条件以及背后的证据。对于每个新实验，一个构思模块会考虑先前的经验来提出想法，根据预期回报与每个想法将使用的预算进行重新排序，并将排名最高的想法发送给实现模块。由于经验库会从该环境中的过去实验中不断学习，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该模块或作弊。正如我们在构建此类系统时发现的，有时成功标准和评估测试需要演进。实验模块可以提议对指标和标准进行更新，由验证模块批准或拒绝。

每次运行后，learn() 会利用该次运行的证据更新经验库中经验的分数和边界。对经验库的更改也可以通过使用先前和更新后的经验库运行其他方面相同的构建来进行 A/B 测试。经验库构建在 git 之上，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，也与编码代理无关。

kapso.deploy(solution, target_stack) 遵循相同的工作流程，运行一个更短的实验循环，以将最佳解决方案适配到目标技术栈（例如 Docker、Modal、BentoCloud、LangGraph）。每个领域都有一个可以从中开始的 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，并通过运行实验在此基础上不断累积。

我们在一些公开基准测试和实时竞赛上运行了它，结果如下……

文章标题：Show HN: Kapso — 从企业数据中进行迭代学习

正文：

• 关系数据库上的预测建模：首先在 RelBench、Kumo AI（现为 Nvidia）和 Stanford 的基准上，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。更新一个经验库的成本远低于重新训练一个表格基础模型。

• ML Engineering：提交时在 OpenAI 的 MLE-bench 上排名第一，目前仍位居顶级开源系统之列（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 agent，并在 2026 年现场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/）上有一个面向 ML 和数据的公共库：约 10 万个页面是通过在论文和代码库上实验提取的，每月约 600 万次请求，其中约 28% 来自 AI agent。

如果你在一家成长型公司，拥有跨多个系统和职能的复杂数据资产，而你的数据和 AI 团队已经捉襟见肘，我们很乐意帮忙！

https://github.com/Leeroo-AI/kapso