Lingjing-Solo 是一个面向交互式推理基准的单 Agent 世界模型框架。它不把基准任务当成一连串互相孤立的猜测，而是为一个 Agent 建立完整闭环：观察画面、维护对环境的假设、选择有信息量的动作、进行短程规划，并在当前策略不再推进时触发反思。
从多 Agent 思路到单一决策闭环
项目针对 ARC-AGI-3 一类场景重新组织了原灵境引擎：规则隐藏、按回合交互、零样本任务，并且对步数预算敏感。canonical 的 lingjing_solo package 由五层组成：
- 感知层： 帧差分、分割和紧凑的视觉编码。
- 世界模型层： 转移记录、状态哈希、规则置信度和循环检测。
- 探索层： 信息增益评分、规则归纳和目标推断。
- 规划层： 轻量 BFS 风格搜索，以及可选的 LLM 战略顾问。
- 反思层： 当 Agent 检测到循环、冲突或剩余动作预算收紧时，重新评估当前策略。
设计上，LLM 被放在战略顾问的位置，而不是每一步都调用。README 描述了每关默认的反思调用预算；在评测阶段，系统也可以回退到不依赖外部网络的轻量路径。
为什么它属于模型工程与应用
Lingjing-Solo 展示的不是单纯“选择哪个模型”，而是围绕模型构建可运行系统：状态表示、动作合法性、转移证据、资源预算、降级行为和基准适配器都属于模型工程的一部分。项目的公开 package 以 NumPy 为基础依赖，可选用 Torch CNN 编码器，并将 ARC-AGI-3/Kaggle 集成路径与核心 package 分开维护。
仓库也明确标出了当前边界：面向具体环境的胜利判定、更深入的规划搜索，以及可选的 LLM 接入仍是集成点，而不是被隐藏起来的承诺。这种边界划分有助于把研究原型做得更容易测试、迁移和审查。
如何开始
仓库提供两条入口：安装核心 package 进行本地开发，或使用 ARC-AGI-3 Starter 在固定的本地/Kaggle 环境中运行。核心自检包括 pytest -q、python test_solo.py 和 notebook 模板的 smoke test。