# The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows
> Ficha editorial pública de Research IA. Estado: Lectura primaria completa. La interpretación editorial no sustituye la fuente primaria.

- Página canónica: https://luiseduardodemiguel.com/research-ia/papers/reasearch
- Fuente primaria: https://arxiv.org/abs/2608.06714
- Versión leída: v1
- Fuente comprobada: 2026-08-20 · método, resultado y límites revisados; fuente primaria enlazada
- Autores: Junbo Li, Boyi Liu, Canwen Xu, Yite Wang, Yuxiong He, Zhangyang Wang, Qiang Liu y Zhewei Yao
- Fecha del corte: 07 AGO 2026
- Área: REASONING · OPTIMIZACIÓN · AI SCIENTIST

## Tesis y contexto

ReASearch usa un mismo bucle con herramientas, memoria persistente y ejecución Python para optimizar prompts, programas y workflows ML mediante decisiones de búsqueda razonadas.

- Problema: Los sistemas de optimización suelen depender de controladores externos —evolución, bandits o gradientes textuales— que determinan la política de exploración.
- Por qué importa: Si la capacidad de distribuir presupuesto, hacer rollback y reverificar emerge dentro del agente, la optimización se vuelve una competencia generalizable entre dominios.

## Evidencia reportada

- **reported-result**: El sistema reporta mejoras de 2% a 40% sobre baselines especializados en 14 tareas de prompts, programas y workflows ML. [localizador](https://arxiv.org/html/2608.06714v1#S5)

## Lectura y límite

- Método: Usa un mismo agente con herramientas Python, memoria persistente y un bucle de evaluación para decidir qué probar, diagnosticar fallos, editar, verificar, reiniciar o abandonar una rama.
- Límite: La capacidad de búsqueda autónoma depende de las herramientas, evaluadores y presupuestos disponibles; resultados superiores en tareas acotadas no demuestran optimización abierta segura ni económica.
- Confianza editorial: Alta
- Limitación: Las 14 tareas abarcan prompts, programas y workflows ML, pero el rango de mejora de 2% a 40% oculta qué tareas no mejoran y cuánto depende del baseline.
- Limitación: Un sistema de optimización de artefactos puede sobreajustar la métrica o el evaluador y no demostrar robustez fuera de los workflows preparados.

## Localizadores de evidencia
- [Fuente primaria · canonical](https://arxiv.org/abs/2608.06714): tipo abstract
- [Ablaciones y resultados · HTML](https://arxiv.org/html/2608.06714v1#S5): tipo section
- [HTML · fuente navegable](https://arxiv.org/html/2608.06714): tipo abstract

## Próxima prueba

- ¿La optimización de artefactos conserva una mejora mediana cuando se congela el evaluador y se usan tareas nuevas?
- Métrica: Mejora mediana, robustez a perturbaciones, coste de cómputo y regresiones por tarea.
- Regla de parada: Parar si la mejora mediana es menor de 5% o si una tarea crítica regresa más de 10%.

## Recursos reproducibles
- [HTML · fuente navegable](https://arxiv.org/html/2608.06714v1)

## Enlaces relacionados

- [Mechanist](https://luiseduardodemiguel.com/research-ia/markdown/papers/mechanist)
- [RepoOMP](https://luiseduardodemiguel.com/research-ia/markdown/papers/repoomp)
- [Diagnosis Before Recovery](https://luiseduardodemiguel.com/research-ia/markdown/papers/diagnosis-before-recovery)