Arbor的3种用法怎么选:原生CLI、Keyless MCP与Skill Suite对比指南
Arbor的3种用法怎么选:原生CLI、Keyless MCP与Skill Suite对比指南
Arbor 是一个开源的自主研究智能体(Autonomous Research Agent):给它一个优化目标和评估指标,它会自动提出假设、修改代码、运行真实实验,并把经得起验证的改进沉淀到"假设树(Idea Tree)"中。同一个 Arbor,官方提供了三种用法——原生 CLI、Keyless MCP 集成与 Agent Skill Suite,分别对应不同的环境和账号条件。这篇指南帮你在 3 分钟内选对适合自己的那一种,并给出每种用法的最快上手路径。
先认识 Arbor:它和"聊天式 AI"有什么不同
Arbor 的核心是一棵假设树。它由两个协作的智能体驱动:
- Coordinator(研究总监):维护 Idea Tree,负责观察、提出新想法、选择方向、做合并/剪枝决策;
- Executor(研究工程师):拿到一个具体想法后,在隔离的 git worktree 里实现代码、在 dev 集上评估、汇报证据。
两者循环执行"观察 → 提想法 → 选择 → 派发 → 回传 → 决策"六步的 arbor cycle,失败的经验不会丢,而是沿树向上传播,让后续想法"站在失败之上"。
🌱 想看它长什么样子?不需要任何 API Key:
pip install arbor-agent && arbor replay --demo即可在终端里实时旁观一棵假设树生长。
三种用法速览:一张表看懂区别
官方在 README.md 中给出的对比如下:
| 用法 | 位置 | 最适合 | 需要 API Key? |
|---|---|---|---|
| 原生 CLI runtime | Python 包 + arbor 命令 |
完整 Arbor 研究运行:长实验、实时 dashboard、checkpoint 恢复、插件、报告 | ✅ 需要,用 arbor setup 配置 |
| Keyless MCP 集成 | arbor install + arbor mcp |
在 Claude Code / Codex 里用宿主 agent 自己的订阅模型跑 Arbor,无需单独给 key | ❌ 不需要 |
| Agent Skill Suite | skills/ 目录 |
不装包也能用的"纯指令版",让 Codex / Claude Code 按 Arbor 工作法研究 | ❌ 不需要 |
一句话总结:有 API Key 选原生 CLI;只有订阅(如 Claude 订阅)选 Keyless MCP;什么环境限制都很多时选 Skill Suite。
用法一:原生 CLI —— 体验最完整的 Arbor 研究流程
这是功能最全的方式,独占以下能力:接入对话(intake)生成一页 Research Contract、实时 dashboard、EventBus 事件流、checkpoint/断点恢复、受保护的 dev/test 评估纪律、SearchAgent 后台文献检索、插件和最终报告生成。
最快上手四步:
pip install arbor-agent # 需要 Python ≥ 3.10
arbor doctor # 检查 PATH、git、API key 是否就绪
arbor setup # 交互式配置 provider / 模型 / API key
arbor # 进入当前目录,开始接入对话
启动后,Arbor 会先和你进行一段接入对话:读取代码与 README,确认目标、指标、基线、预算,确认后进入研究循环。运行中随时可用 /status、/tree、/evidence、/pause、/resume 等斜杠命令掌控节奏,交互模式(auto / direction / review / collaborative)可在 docs/interaction-modes.zh.md 中查阅。
💡 没有真实项目? 试试自带的微型基准 examples/algotune_knn/:让一个暴力 k-NN 求解器在输出不变的前提下提速,官方示例中 6 个周期把速度提升从 1.01x 推到 7.77x,纯 CPU、亚秒级、可复现。
适合谁:有 Anthropic / OpenAI / 兼容网关的 API Key,想做生产级、可复现、可断点恢复的长时间研究运行。更多配置细节见 docs/quickstart.zh.md 与 docs/configuration.zh.md。
用法二:Keyless MCP —— 订阅用户"零 API Key"跑 Arbor
如果你用的是 Claude 订阅套餐(而不是 API Key),把 key 交给第三方工具并不现实。Arbor 的 Keyless 集成解决的就是这个痛点:
Arbor 自身不调用任何 LLM —— 推理和写码全部由宿主 agent(Claude Code / Codex)的订阅模型完成;Arbor 只提供确定性工具:持久 Idea Tree、评估执行、git worktree 隔离、受保护合并、报告生成。
最快配置两步:
pip install "arbor-agent[mcp]" # 可选依赖:MCP 服务器
claude mcp add arbor -- arbor mcp # 注册 Keyless 工具服务器
然后 arbor install 一键把技能套件装进宿主(自动识别 Codex / Claude Code,也支持 --claude、--codex、--project),重启后在项目里输入:
/arbor-research-agent optimize this repo for <metric>. Ask before training, package installs, or B_test.
MCP 服务端代码非常薄,本质是 12 个确定性工具的转发层(tree_view、eval_run、worktree_create、git_merge_branch、generate_report 等),可参考 src/mcp/server.py。想看进度时可运行 arbor web <run-name> 打开只读浏览器面板(同样免 Key)。
适合谁:只持有订阅账号(无裸 API Key)的用户,希望在自己的编码 agent 里获得接近原生的 Arbor 纪律——B_dev/B_test 隔离、受保护合并、可审计的过程。
用法三:Skill Suite —— 不装包,纯指令复刻 Arbor 工作法
skills/ 目录提供了一套 11 个 Agent Skill,用 markdown 指令把 Arbor 的研究工作法"教"给 Codex 或 Claude Code:
- 入口技能
arbor-research-agent:做 Arbor 式 intake 澄清,生成 research contract; - 编排技能
arbor-agent-orchestrator+ 协调技能arbor-agent-coordinator:驱动"观察/提想法/选择/派发/决策"大循环和持久 Idea Tree; - 执行与守卫:executor、merge/eval(B_dev 迭代、B_test 只用于合并验证)、文献检索、HITL 审批与预算策略、断点恢复与
REPORT.md报告; - 兜底工具
arbor_state.py:纯 Python 标准库实现的状态助手,在无原生 Arbor 工具时接管 init / view / add / eval / worktree / merge / report 等操作。
安装后只需调用公开入口(Codex 用 $arbor-research-agent,Claude Code 用 /arbor-research-agent),内部阶段技能由 wrapper 自动加载。注意:11 个 arbor-* 技能必须整套安装,只装入口技能会加载失败。
它的边界也要看清:这不是原生 CLI 的二进制替代品——原生 dashboard 渲染、EventBus 事件流、完整 executor 并发、后台 SearchAgent 仍属于原生 runtime。如果机器上装了 arbor CLI 且目标是生产级运行,官方明确建议优先用原生 CLI。
适合谁:环境受限(无法安装包 / 无法起 MCP 服务)、想跑 smoke 测试、或希望把 Arbor 的研究纪律"移植"到其他 agent 平台上的用户。
选型建议:三种用法怎么选?
按你的实际情况对号入座:
| 你的情况 | 推荐用法 | 理由 |
|---|---|---|
| 有 API Key,要跑长时间、可恢复、可审计的正式研究 | 原生 CLI | 功能全集:dashboard、checkpoint、插件、报告 |
| 只有 Claude 订阅,没有裸 Key | Keyless MCP | 宿主模型推理 + Arbor 确定性工具,纪律不减配 |
| 环境装不了包,或想迁移到其他 agent 平台 | Skill Suite | 纯 markdown 指令 + 标准库兜底,零依赖 |
| 只是想先看看它会不会"研究" | 任意一种 + arbor replay --demo |
30 秒旁观一棵假设树生长 |
从官方基准结果看,同一个 Arbor 控制器在 BrowseComp、Terminal-Bench 2.0、Math-Reasoning 等六项任务上均跑赢了 Claude Code 与 Codex(如 BrowseComp 67.67 vs 53.33 / 50.00),说明三种用法背后共享同一套经过验证的研究机制,选择时只需关注"环境适配",不必担心能力缩水。
常见问题 FAQ
Q1:Keyless MCP 和 Skill Suite 有什么区别?
两者都不需要 API Key,但 MCP 方式让技能跑在 Arbor 的真实实现上(真树、真评估、真合并);Skill Suite 是纯指令复刻,靠 arbor_state.py 这类标准库兜底。能用 MCP 就优先用 MCP。
Q2:Skill Suite 可以完全替代原生 CLI 吗? 不可以。官方边界写得很清楚:原生 dashboard、EventBus 流、provider runtime、后台 SearchAgent 生命周期仍只属于原生 runtime;生产级运行请优先原生 CLI。
Q3:能三种用法混用吗?
可以。典型组合是:arbor install 装好技能套件 + arbor mcp 注册工具服务器(官方称之为"最强的 keyless 体验");原生 CLI 已安装时,生产任务仍直接跑 arbor。
Q4:如何干净地卸载?
arbor uninstall 只移除 Arbor 自己的 arbor-* 技能目录,不会动项目源码或其他技能。
总结
- 原生 CLI:功能全集,需要 API Key,正式研究首选;
- Keyless MCP:订阅账号零 Key 方案,宿主模型负责推理,Arbor 提供确定性研究工具;
- Skill Suite:纯指令 + 标准库兜底,环境最灵活,但定位是"复刻工作法"而非替代 runtime。
选对入口之后,剩下的交给 Arbor 的假设树:每个想法都会开花,有效的留下,失败的被剪枝。🌳



