selfopt Python 脚本自优化框架

问题：LLM 重写代码的验证真空

大模型改写 Python 脚本时，常以“看起来更快”的方式交付：循环内 += 拼字符串、把 re.compile 挪出函数、把 list 查找换成 set。这些重写多数时候是对的，但没有闸门时，空列表返回 ',' 而非 ''、非法输入异常类型不一致、或微基准里的假加速，都会直接污染代码库。selfopt 补的正是这一段：智能体负责生成，框架负责验证与计分。

工作方式：三层分工与双数学闸门

整套设计拆成三层。Layer 1 由 LLM 完成候选生成：读代码、识别热点、产出重写版本。Layer 2 与 Layer 3 都由 selfopt.adopt 把关，缺一不可。

• 等价性验证：证人集由随机采样与边界样本构成，覆盖空、单元素、极值、负值、重复、中文与非法输入。异常语义也纳入等价判定，新旧实现抛同类异常即视为等价。
• 性能评估：同轮内 old/new 交替测量，取中位数加速比，并用纯标准库的 sign-test 做显著性检验。只有中位加速比达标且 p < 0.05 才写入 library.jsonl。

分析侧由 scripts/analyzer.py 做 AST 静态扫描，覆盖 str-join、regex-precompile、list-to-set-membership、dict-dispatch 四类高频场景。每条发现带 confidence 与 reason，auto_scan 与 hook 默认只处理 high，人工审查可传 min_confidence="low" 看全量。规则通过公开的 CONFIDENCE_RULES 扩展，scripts/analyzer_rules_example.py 提供复制即用模板。

接入侧不绑定框架：selfopt.auto_scan() 扫描当前目录并跳过虚拟环境目录；scripts/selfopt-hook.py 把热点打印回 Agent。WorkBuddy、OpenClaw 可挂 session end 钩子，LangChain、CrewAI 可写 callback，最轻量的方式是把“产出 Python 代码后跑一遍扫描”写进常驻提示。

边界与注意点

• 样本必须代表真实负载量级，加速比是输入规模敏感的交叉点问题。
• 传入自定义 samples 时，边界覆盖由调用方负责；regex-precompile 域默认证人常匹配不到目标模式，需喂真实数据。
• 验证 list-to-set-membership 时不要用集合字面量做样本，CPython 会折叠成编译期常量，产生虚假加速。
• 框架不做运行时 monkey-patch，只入库记录与证明；是否改写源码由 Agent 在用户确认后执行，建议附备份。