来自 Leeroo 的 Alireza 和 Majid（此前曾在 LinkedIn 和 Meta 构建 AI 系统）正式开源 Kapso。这是一款专为企业数据打造的 AI 引擎，能够自动运行实验、部署最优解决方案，并从每次迭代中持续学习。
重构数据工作流：从静态定义到动态迭代
传统企业数据工作往往依赖顾问收集上下文或预先定义业务本体，这一过程耗时数月甚至数年，且在庞大混乱的数据环境中难以执行。Kapso 旨在通过自动化迭代过程解决这一痛点：系统通过调查代码仓库、dbt 模型及数据本身提出假设，运行实验并验证结果，使知识像强化学习一样不断累积。
与单纯依赖检索增强生成（RAG）不同，Kapso 强调在沙箱中进行实验和学习。其核心组件包括：
- 经验库（Experience Library）：基于 Git 构建，存储从过往实验中归纳的经验，每条经验均附带置信度分数、适用条件及证据。支持通过 CLI 命令共享、列出和更新经验。
- 构思与实施模块：结合先前经验提出想法，按预期回报排序并执行，确保假设比通用大语言模型更贴合实际环境。
- 验证器模块：严格验证实验结果，防止作弊，并可根据演进需求批准或拒绝新的成功标准。
该系统与模型及编码智能体无关。通过 kapso.deploy 命令，用户可将最佳解决方案适配至 Docker、Modal、BentoCloud 或 LangGraph 等目标技术栈。
基准测试与实战表现
Kapso 在多项公开基准测试和现场竞赛中取得领先成绩：
- 关系数据库预测建模：在 RelBench、Kumo AI（现属英伟达）及斯坦福大学基准测试中排名第一，优于最佳表格基础模型。证明在框架层面保持学习效果的成本远低于重新训练基础模型。
- ML 工程：在 OpenAI 的 MLE-bench 提交中排名第一，位居顶级开源系统之列。
- AI 竞赛：在 2026 年国际人工智能奥林匹克大赛（International Olympiad in AI 2026）中自主运行，位列所有 471 名人类参赛者及 AI 系统的前三名，表现优于 Sakana AI 报告的最佳智能体。
在实际案例中，Leeroo 团队利用该方法论，在数周内完成了一家拥有 30 年历史企业的湖仓架构迁移。该项目涉及 30 多个源系统家族、数千张表及数百个 BI 报表，此前已停滞一年多。同步进行的学习与构建不仅加速了交付，还识别出显著的成本降低机会。
此外，Leeroo 在 Leeroopedia 上提供了公开的 ML 和数据经验库，涵盖约 10 万页从论文和仓库中提取的内容，每月处理约 600 万次请求，其中 28% 来自 AI 智能体。