Hypogenic – Génération automatisée d'hypothèses scientifiques
Ce skill intègre le framework open source HypoGeniC (développé par le Chicago Human+AI Lab) dans Zorai, la plateforme d'exécution multi-agent persistante de mkurman/zorai. Il permet à un agent Zorai de mener des cycles complets de génération, de raffinement et de test d'hypothèses à partir de datasets empiriques tabulaires, sans intervention manuelle à chaque étape.
Ce que fait ce skill
Le skill expose trois approches complémentaires issues du framework HypoGeniC :
- HypoGeniC : génération d'hypothèses à partir des données observationnelles seules, par raffinement itératif sur des exemples difficiles.
- HypoRefine : combinaison synergique de la littérature scientifique (articles PDF) et des patterns empiriques pour ancrer les hypothèses dans des fondations théoriques existantes.
- Union : combinaison mécanique des deux banques d'hypothèses (littérature seule + approche data-driven) pour maximiser la diversité et la couverture.
Les domaines d'application documentés incluent la détection de tromperie, l'identification de contenu généré par IA, les indicateurs de santé mentale et plus généralement tout dataset annoté avec des features textuelles.
Positionnement dans le repo Zorai
Zorai est une plateforme d'exécution agentique durable où les agents (Swarog, Rarog, Weles, etc.) pilotent des objectifs de longue durée avec mémoire, approbations et outils persistants. Ce skill s'inscrit dans la collection scientific-skills et donne aux agents la capacité de mener des recherches exploratoires structurées : préparer un dataset, lancer une génération d'hypothèses via la CLI ou l'API Python du package hypogenic, puis interpréter les résultats dans le contexte d'un goal run Zorai.
Pour l'utiliser dans un workflow Zorai, le skill suppose que le package hypogenic est installé (uv pip install hypogenic), qu'un fichier config.yaml de tâche est disponible, et optionnellement qu'un serveur Redis est actif pour le cache des appels LLM. Les datasets doivent suivre le format HuggingFace avec les clés text_features_n et label.