GrowthGym：
给补贴策略造一杆秤。

我做了九年增长算法——补贴、因果推断、计算广告。这个领域有个长期痛点：策略方法论没有开源参考实现。 论文里的 uplift 模型和整数规划落到业务里长什么样，网上找不到一个能跑的完整答案。

AI 火起来之后，痛点换了形态：大量「AI 增长 agent」项目让 LLM 编一份听起来漂亮的策略报告——没有真值、没有约束、没有后果，策略不上秤。 我想证明另一条路：LLM 负责编排，真算法负责求解，环境负责说真话。

Gym 层——合成用户总体：5 个人群分段 × 饱和响应曲线（边际效益递减）× 观测噪声。pilot 实验返回带噪声的采样结果，策略必须扛过统计噪声；计分用期望值，结果精确可复现。

Tool 层——LLM 编排真算法而非替代真算法：T-learner uplift 建模（HistGradientBoosting 双模型）、PuLP + HiGHS 整数规划、统计功效计算、按 ACI 标准写的工具注册中心（入参错误返回自修复信息而非栈回溯）。

Agent 层——Strategist → Analyst → Optimizer → Evaluator 状态机。固定阶段的 workflow + 一条评审回环（Evaluator 打回最多一次）：任务可拆就用 workflow，别为 autonomy 付不可控的代价。默认 heuristic 模式零 API key 可跑，LLM 模式把每个角色的决策换成模型调用，图结构不变。

公平规则：所有非 oracle 策略只看 pilot 实验数据，从不见真值。3 个种子 × 50,000 用户 × 5 分段，预算 ¥180k——紧张到连「人人 ¥5」都发不起。

三个读数：① IP 对贪心 4.1 倍——预算紧张 + 响应饱和时，逐段最优的贪心组合远劣于全局最优，这正是要上整数规划的理由；② agent 与 IP 同分——heuristic 模式下 Agent 就是「实验→估计→优化」的忠实编排；③ 23.4% regret 全部来自估计误差——oracle 与 IP 的唯一区别是真值 vs pilot 估计，改进空间摆在台面上，这正是增长团队每天面对的真实约束。

开发期 IP 组一度低于贪心组。排查发现两层问题：① PuLP 的 prob += (expr, "name") 元组语法会把目标函数静默变成约束，求解器没有目标就返回任意可行解；② 修正后，macOS/arm64 上自带的 CBC 二进制在正确的模型上仍返回次优解并报告 Optimal。

最终解法：HiGHS（进程内）为主、CBC 兜底，并留下玩具用例的单测锁定正确性。这个故事的真正主角是「评估内建」——「IP 必须赢 greedy」这道防线真实抓住过这个 bug。没有它，这个 bug 会安静地活在仓库里。

· 把「评估」做成仓库的一等公民：改任何代码，一条命令验证核心结论仍然成立。
· 公平比较规则显式写进排行榜：信息不对称的美化在这里是作弊。
· LLM 的位置想清楚再上：可分解的固定阶段用 workflow，评审回环给独立怀疑者，模型每代都在变，架构要能活过任何一版实现。