这里的 Saplings 特指 shobrook/saplings 的开源 Python 包：它让工具调用 Agent 用蒙特卡洛树搜索（MCTS）、A* 或 greedy best-first search 探索多条行动轨迹。它不是 Meta 的 Sapling 源代码管理系统，也不是作者曾使用相同名称、后来改名 Syntaxis 的旧包。当前实现通过 LiteLLM 调用模型，再由 evaluator——默认同样是 LLM——给候选分支评分。
Saplings 更适合可回滚工具、边界明确任务和搜索算法原型，不应直接当作完整生产 Agent 平台。它能比较后续行动并在较差路径后换分支，但搜索中被探索的工具可能已经真实执行。计算、检索、沙箱代码与模拟环境适合作为首批试验；邮件、支付、工单和数据库写入必须放在独立的 preview/commit 门之后。
准确实体与当前维护状态
| 核查项 | 2026-08-20 可验证事实 | 应如何解读 |
|---|---|---|
| 唯一实体 | GitHub shobrook/saplings；PyPI saplings | 不要混写 Meta Sapling SCM 或 Syntaxis |
| 最新包 | PyPI 6.2.0，上传于 2025-06-22 | 仍能安装，但约十四个月没有新版 |
| 仓库 | 公开且未 archive；最后 push 为 2025-07-27 | 最后几次是 README 修改；可见最近代码修复为 2025-06-22 |
| 分发形式 | 6.2.0 只有 33 kB source distribution，未列 wheel | pip 安装时需要本地构建 |
| 运行元数据 | Python >=3；litellm 和 json-repair 均未限定版本 | 过宽 Python 声明不能证明当前版本兼容 |
| 许可证 | LICENSE 文件是 Apache-2.0；setup.py 与 PyPI 写 MIT | 这是冲突，不是明确双许可；需要作者澄清 |
最准确的状态是仍可获得，但维护偏静默。仓库没有 archive 或 disable，PyPI 也继续提供 6.2.0，所以直接写“已停止”超出证据；但包页面在线同样不代表持续做兼容与安全维护。GitHub 没有 Release，2025 年 6 月之后没有新 PyPI 文件，6.2.0 sdist 也没有随包测试或 benchmark harness。采用前应固定包与全部传递依赖，在自己的 Python/模型/工具矩阵上跑回归。
许可证必须单列为采购门槛。仓库 LICENSE 与 6.2.0 sdist 内的 LICENSE 都是 Apache License 2.0，setup.py 却声明 MIT，PyPI 又复制了 MIT 元数据。不能把这些信号简化成一句“MIT 开源”或“Apache 开源”。需要再分发、嵌入产品或维护 fork 的团队应向作者求证，保留随包 notice，并由合规人员决定适用条件。
如何选择 Saplings 搜索 Agent
| 类 | 搜索方式 | 成本与失败边界 |
|---|---|---|
| COTAgent | 单条普通工具调用轨迹，不做搜索 | 适合作为基线，也最便于先确认工具与 evaluator 正确 |
| GreedyAgent | 生成、执行并评分多个候选，然后只沿当前最好分支继续 | 搜索开销相对低，但不能从局部最优的错误路径回退 |
| AStarAgent | 保留备选路径，可以回到另一条 frontier | 折中方案；evaluator 失真时排序也没有意义 |
| MonteCarloAgent | 选择、rollout、backpropagation；6.2.0 默认 b_factor 3、depth 5、最多10次 rollout | 潜在调用与副作用最多；当前 root 工具只生成一次，之后才分叉 |
| Custom evaluator | 继承 evaluator，返回归一化 score 与 reasoning | 代码任务优先编译/测试，检索优先证据覆盖，不只用 LLM 给自己的文本打分 |
树搜索的价值取决于 value function。默认 evaluator 把整条 trajectory 发给配置模型，请求 0–10 分，再转成 0–1。原型阶段很方便，但模型可能把“说得像进展”误判为“任务已完成”。编码 Agent 应使用编译、单测和静态约束；检索 Agent 应检查来源覆盖与结论支持；环境 Agent 应从真实 state 算 reward。最好保留固定 holdout 集，因为仅修改 evaluator prompt 就可能像换算法一样改变搜索结果。
当前 MCTS 有一个非常产品专属的边界：它强制模型先生成一次 root tool call，并以这一步建立根节点。源代码 TODO 也承认，如果 root call 错了，整棵树会受影响。换句话说，它能在后续分支间探索和回退，却没有在第一步同时生成多个独立 root 再选择。详情页若只复述“能 look ahead 与 backtrack”，就会隐藏关键实现差异。
安全、可复现的评测流程
- 冻结安装物。在隔离环境中固定
saplings==6.2.0，生成 lockfile，并记录 PyPI sdist 的 SHA256。 - 先解决许可政策。把 Apache-2.0 LICENSE 与 MIT package metadata 冲突记录进依赖审批。
- 先跑 COTAgent。在没有搜索时建立成功率、模型费用、延迟和工具正确性的基线。
- 让工具可重放。拆分 propose/preview 与 commit；每个候选分支使用 sandbox、幂等键或克隆 state。
- 设计客观 evaluator。优先测试、schema、确定性约束、simulator state 和来源检查，只有主观维度才用 LLM。
- 明确限制树。显式设置 branching factor、max depth、MCTS rollouts、timeout 与 provider budget。
- 记录每次调用。保存 branch/parent、工具参数、结果、评分、模型、tokens、latency、retry 与 exception，同时做 secret redaction。
- 使用同一矩阵比较。COT、Greedy、A*、MCTS 共用 prompts、可用 seed、mock tools 和 evaluator。
- 专测失败。覆盖 API 不可用、工具输出损坏、rate limit、重复行动、误导证据、context truncation 与 evaluator 分歧。
- 只在搜索后提交。让树产生 plan、patch 或候选动作，由确定性 validator 或人工只批准一次真实写入。
- 核查模型数据路径。Saplings 本地运行，但 LiteLLM 会按配置把 prompt、tool schema 与轨迹发送给 provider；适用的是该 provider 的 retention/privacy 条款。
- 预留替换层。用自有 interface 包住 Saplings，使依赖长期不更新时可以替换而不重写所有工具。
简短 README 没有替你解决的问题
| 风险 | 6.2.0 中为什么出现 | 控制办法 |
|---|---|---|
| 重复副作用 | BaseAgent 在评分前就执行每一个候选 tool call | 只搜索纯函数/模拟动作；选出结果后再 commit 一次 |
| 调用膨胀 | 生成候选、每个分支评分、rollout 都可能调用模型或工具 | 硬预算、timeout、安全读缓存，并测每个 solved task 成本 |
| Evaluator 偏差 | 默认 value function 是 LLM 自评 trajectory | 客观 reward、多 evaluator 或人工抽查 |
| Root 锁定 | MCTS 在分叉前只创建一个 required root call | 先生成/验证 plan，或修改 root 策略 |
| 依赖漂移 | litellm/json-repair 没有版本范围 | 锁定传递版本，升级前跑 CI |
| 隐私与安全 | 模型看到 prompt、schema、trajectory；工具还接收 trajectory memory | 最少数据、脱敏、最小权限和 provider 治理 |
| 维护/许可 | 更新静默且 license metadata 冲突 | pin 或自有 fork、安全扫描、指定 owner、取得书面澄清 |
分支副作用是最重要的工程结论。BaseAgent.expand 先生成候选调用，为每个候选创建异步执行任务，等工具返回后才评价 child node。Backtracking 不会撤销已发生的动作。MCTS 若探索三个 send_email 候选，可能真的发出三封邮件，即便最终只返回一条路径。安全架构应在描述、模拟 state 或可回滚 patch 上搜索，把不可逆操作放到树结束之后。
成本也不能凭默认参数猜一个固定倍数。实际 provider calls 取决于提前终止、候选去重、深度、rollout、evaluator samples、tool behavior 与异常重试。应报告每个批准任务的模型/工具费用、p50/p95 latency 和重复副作用数。README 表格中的 benchmark 明确引用 LATS 论文，不是 Saplings 6.2.0 自身复现；sdist 没有 benchmark runner，因此本文不把论文数字写成这个包的实测成绩。
Saplings 与同类方案怎么选
| 方案 | 最适用场景 | 相对 Saplings 的取舍 |
|---|---|---|
| Saplings | 用很小的 Python 包给 tool calls 加 MCTS/A*/greedy 的实验 | API 简洁；维护静默、无 durable runtime，分支副作用需自行治理 |
| 普通 ReAct/tool loop | 低成本、顺序明确、工具强且容易验收的任务 | 不能回退，但费用和外部写入更容易推理 |
| LangGraph | 需要持久 state、streaming、human review 与 durable execution 的生产流程 | 编排更多；搜索策略需自建，但 checkpoint 与 commit gate 更明确 |
| LLM Reasoners | 研究 MCTS、Tree-of-Thoughts、world model 与多 benchmark 复现 | 体系更重，但比小型 agent wrapper 更适合算法研究 |
| 自建 beam/tree search | 已有 domain simulator、精确 reward 和严格副作用策略的团队 | 工程量大，却能完全控制 branching、cache、预算与事务提交 |
独立判断：Saplings 最有价值的地方是可读。开发者可以在不引入大型平台的情况下读完搜索循环、Tool 抽象和 evaluator，适合学习和有边界的 proof of concept。它的短板是研究搜索与生产编排之间的缺口：没有内建 persistence、approval queue、transaction rollback、durable checkpoint 或发布的安全治理方案。
当环境可以廉价 clone、reward 客观、工具没有不可逆副作用时，可以采用。若要做长期服务，应该 fork 并真正拥有这份依赖——补 lock、tests、tracing、security policy 与许可说明——或把相同搜索策略放进维护更活跃的 workflow runtime。论文 benchmark 是针对私有任务的待验证假设，不是直接上线理由。
常见问题
Saplings 是什么？
它是 shobrook/saplings 的 Python 树搜索 Agent 库，用 greedy、A* 或 MCTS 探索工具调用轨迹，通过 LiteLLM 访问模型，并用 evaluator 给路径评分。
还在维护吗？
仓库未归档、PyPI 仍能安装，但维护偏静默。6.2.0 发布于 2025-06-22，最后 push 为 2025-07-27。没有新 release 或作者声明前，不应假设持续兼容与安全维护。
和 Meta Sapling 一样吗？
不一样。Meta Sapling 是源代码管理系统；本页是 Jonathan Shobrook 的 AI Agent Python 库。README 还说明作者另一个早期同名包已改名 Syntaxis。
哪个许可证有效？
仓库和 6.2.0 sdist 带 Apache-2.0 LICENSE，但 setup.py 与 PyPI metadata 写 MIT。这是需要作者澄清的冲突，合规页面不应擅自选择其中一个。
树搜索一定更好吗？
不一定。可可靠评分的多步骤任务可能受益，但调用量会增加，弱 evaluator 也会被放大。README 数据来自 LATS 论文，不是 Saplings 版本 benchmark。
能使用本地模型吗？
README 表示通过 LiteLLM 覆盖本地路线；实际仍取决于所选模型是否可靠支持 tool calling、structured output 和 token count，必须逐模型测试。
为什么写工具危险？
Saplings 在选择 winner 前执行候选分支，所以 backtracking 无法撤销多次写入。使用 preview、sandbox 和搜索后单次 commit。
替代方案？
顺序任务用普通 tool loop；需要持久状态与人工审批用 LangGraph；算法复现用 LLM Reasoners；有精确 simulator/reward 时可自建 search。
核对过的来源
- shobrook/saplings repository and README
- Saplings 6.2.0 on PyPI
- PyPI project metadata API
- Repository and source-distribution LICENSE
- Saplings setup.py package metadata
- BaseAgent source: branching, execution and evaluation
- MonteCarloAgent source and defaults
- LiteLLM model wrapper source
- Language Agent Tree Search paper (ICML 2024)
- Tree Search for Language Model Agents paper
- LiteLLM provider documentation
- LangGraph official overview
- LLM Reasoners official repository
- Official Saplings README demo image
独立复核日期：2026-08-20。已用 GitHub 与 PyPI 进行实体消歧。“仍可获得但维护偏静默”不是武断宣告 abandoned；license metadata 仍冲突，论文结果没有包装成 Saplings 自身 benchmark。
