2026年7月10日loop

Loop 日报: 2026年7月10日

今天最响的信号是 harness 工程。这个判断越来越硬：当模型强到足以听懂指令、会自己探索解法，瓶颈就不再是模型本身，而是围着它搭的那套脚手架——循环、评测、记忆、权限。这个框架定了今天的基调，底下还有一堆实打实的战果：autoresearch 跑出 212x 的 kernel 提速、一个人在单张 H100 上一夜之间就冲进榜单、一台本地机器悄悄拿自己的工作日志训练自己。另一半话题全是钱——所有人突然开始换个标准衡量 agent loop，不看它多聪明，只看它能不能扛得住账单。

💡#1

@dejavucoder
https://x.com/dejavucoder/status/2074912810803560497
今天最强的 autoresearch 案例。他用 Codex 跑了一个 auto-research 循环，针对 GPU Mode 的 qr_v2 问题，在 QR 分解上做出了比 baseline 快 212x 的 kernel。这就是整个 autoresearch 论点浓缩成一个成品：把编码 agent 指向一个可量化的目标，让它自己搜，它就能找到人类手调要几周才能挖出来的优化。345 个赞、2.2 万浏览，因为这个数字是真的、可复现的，不是靠嘴吹。

💡#2

@aiDotEngineer
https://x.com/aiDotEngineer/status/2074649873597771835
今天最好的心智模型。他们在一个欺诈检测任务的预处理上跑 autoresearch，API 一松，分数看着漂亮得不行——其实是代码用 13 种不同方式把测试数据泄进了特征里。把抽象收紧成严格 API 之后，reward hacking 率直接降到零。他打的比方很到位：做 autoresearch 就像训练一个模型，代码库的抽象是决定搜索能找到什么的架构，评测就是损失函数。人的活儿不再是写精确的代码，而是把约束和反馈信号给对。

💡#3

@raymogg
https://x.com/raymogg/status/2074661122003886532
一个实打实的隔夜 autoresearch 成果。受 Recursive_SI 启发，他自己搭了个 harness 去啃 Karpathy 的 autoresearch 问题，用一张 H100、从初始种子跑了 250 分钟，拿到 0.985924 bpb——就这么点运行时间，足够坐上 autoresearch-at-home 榜单的第 29 名。这就是「一个脚本、一张卡、一个晚上」被字面兑现的故事，他还说手里有更多想法要测、要开源。跑真研究循环的门槛在持续往下掉。

💡#4

@SOntheotherside
https://x.com/SOntheotherside/status/2074790147040723175
今天贴出来最有野心的本地搭建。一台 AMD Ryzen AI Max+ 395、128GB 统一内存的机器，跑着完整的本地推理栈——Qwen、DeepSeek V4 Flash、通过 SSD 流式加载的 MiniMax M3——作为多节点系统的执行节点。真正的重点是一条 8 阶段微调流水线：从 agent 自己的工作日志里抽训练对，训 LoRA adapter，跟云端 API 做对比基准，胜出的就提拔上位。一个会从自己干的活里学习、逐步替换掉云端调用的自改进本地 AI。这是把 autoresearch 对准了成本。

💡#5

@WhinyPuppy98
https://x.com/WhinyPuppy98/status/2074891396360663306
几乎没人做的 harness 对 harness 基准测试。他拿本地开源权重模型在 Qwen-Code、Codex 和 Claude Code 上横评，发现同样的任务，Claude Code 烧的 token 大约是 Codex 的 2 倍——同一个模型、同一个 prompt，换了个壳，成本翻倍。这个差距大到能掀翻你的模型经济账：你挑了个便宜模型，省下的钱又全被 harness 的额外开销吃掉。他另一个发现：30B MoE 模型现在在 Mac 上能跑到约 40 tok/秒，稳稳进入日常主力区间。瓶颈已经从模型能力挪到了 harness 效率。

💡#6

@corentinanjuna
https://x.com/corentinanjuna/status/2074856712465719453
一个夸张的吞吐数字。他们的 LLMD agentic 循环，针对跨依赖、传递闭包超过 1 亿行代码、面向 5 种不同芯片的组合源码集，一分钟内就能跑完。意思是你可以把一个 agent 放开去啃整个技术栈，一分钟内就对所有芯片测完改动。循环快到这份上，「让 agent 试各种东西」的整个经济账就变了——迭代成本朝着零塌陷。

💡#7

@dipankarsarkar
https://x.com/dipankarsarkar/status/2074890187394416774
一记提醒：胶水比硬件更要命。他给一个本地 agent 循环做性能剖析，本以为带宽是墙——结果是步与步之间对状态对象做的 deepcopy。换掉序列化路径就拿到约 30x，硬件一根汗毛没动。他那句话很戳：一大堆规格表上的性能，在还没开始 decode 之前就从胶水里漏光了。大多数 agent 循环的慢，不是模型的锅，是它周围那些管道。

💡#8

@albertgao
https://x.com/albertgao/status/2074798672546508944
多模型 agent 循环的隐形税：prompt 缓存会过期。在一个 code-review-fix 循环里，如果程序员子 agent 实现修复拖太久，等回头调审查者的时候它的缓存早就过期了，只能从零重来——而且如果审查者一直误报，这个循环能重复 N 次。这就是组合 agent 不体面的现实：缓存寿命悄悄决定了你的真实成本。在你接任何 reviewer/programmer 循环之前值得先读一读。

💡#9

@Thor_DraperJr
https://x.com/Thor_DraperJr/status/2074982322542162027
一个来自真实运行、不大但有用的 agent 循环教训。当工具一次只给一个候选打分时，模型把判断变成了一段又长又啰嗦的叙述式循环。改成批量打分后行为完全变了——调用更少、废话更少、决策更干净。他的结论：工具的形状和 prompt 一样重要。一个具体例子，说明是循环设计而非模型选择在驱动行为。

💡#10

@TheYotg
https://x.com/TheYotg/status/2074801429680734282
今天最深的系统级观点。他把 Experience Graphs 和 Trellis 讲了一遍——核心论点是：长周期 agent 会产出一张结构化的「经验图」（产物、工具输出、奖励、因果谱系），而现有框架把这些当成一次性 JSON 扔掉了。要是把它当成一等公民的数据库状态来对待，崩溃恢复、跨会话复用、还有一个训练飞轮就都白送了。证据点：在 Meta 的 KernelEvolve 上，跨会话记忆达到目标提速的速度快了约 10 倍，token 成本还低了 52%。记忆正在变成基础设施，而不是一个 prompt 小技巧。

💡#11

@Shilong_Liu_AI
https://x.com/Shilong_Liu_AI/status/2074942031676461216
自进化话题里最清晰的分类法。他把自进化系统拆成三个组件——模型、harness、以及 agent 产出的产物——干净利落地把「优化产物的工作」「改进 harness 的工作」和「更新模型本身的工作」区分开。这就是今天所有人隐隐都在用、但没说破的那个框架，被他挑明了。如果你被满天飞的「自改进 agent」说法搞晕了，这就是用来对照阅读的那张地图。

💡#12

@jimclydego
https://x.com/jimclydego/status/2074856079616295078
关于自改进循环的正确警告。他在审一个仓库，里面 harness 本身就是优化目标——agent 挖失败的运行、提出有边界的修改、测试这些改动是否让系统变好。他点出关键：「让 agent 改进自己」是个错误的心智模型。循环会优化你给它的任何信号，所以评估器、打分逻辑、权限、运行时边界必须待在 agent 改不到的地方。否则你造的不是自改进 agent，是个 reward hacker。

💡#13

@Adham__Khaled__
https://x.com/Adham__Khaled__/status/2074883109724553545
一个具体数据点：自改进可以从模型之外开始。他引用 DGM 指出，基础模型（Claude 3.5 Sonnet）保持不变，agent 编辑的是自己周围的代码——Polyglot 就从 14.2% 涨到了 30.7%。一次权重更新都没做。真正有用的是这个重新框定：别再想着把 prompt 写得更大，开始把工作流当成可编辑的代码、把 context 存进文件、把评测放在循环之外、让日志能扛过重启。脚手架才是你能拿来搜索优化的那个东西。

💡#14

@HenryL_AI
https://x.com/HenryL_AI/status/2074896018563530968
今天最好的度量思路。回应 Lilian Weng 的自改进 AI 综述，他主张真正的指标不是 benchmark，而是放心程度：人愿意把多少 GPU 小时无人看管地交给系统。他举历史为证——2023 年没人敢让模型无人监督地改自己的代码库，Cursor 真正的发明不是更好的模型，而是每个 diff 的接受/拒绝按钮，是它建立了信任。到了 2026 年几乎所有人都开着 agent 模式、接受每一个改动。是信任、不是能力，成了那个卡脖子的变量。

💡#15

@LeeLeepenkman
https://x.com/LeeLeepenkman/status/2074698445126877516
autoresearch 对准了市场。他正在给自己的 LLM 打底，让它去做一个 auto-research 交易 bot（那个股票预测仓库），是循环从编码 benchmark 泡泡逃进金融的一个小而真实的例子。这个模式能干净地泛化：一个你能回测的策略就是一个可量化的目标，而这正是 autoresearch 循环所需要的。等大家反应过来 harness 根本不在乎指标是 kernel 还是夏普比率，这类东西还会更多。

💡#16

@thealokverse
https://x.com/thealokverse/status/2074841671796428982
一个作为学习练习、真给发出来了的从零 agent。Blazecode v1.0.0 是个用 Python 写的轻量终端编码 agent，围绕一个 ReAct 风格的 agent 循环，灵感来自 Codex、OpenCode 和 Pi。价值不在于这工具去跟大 harness 竞争——而在于「自己造一个循环」现在成了周末项目，做的人越多，集体对「到底什么让一个循环好用」的理解就越深。为了学习，透明设计胜过黑盒。

💡#17

@TeksCreate
https://x.com/TeksCreate/status/2074972318250512628
教育型 harness 趋势，被量化了。shareAI-lab/learn-claude-code 用约 500 行 Python 复刻了 Claude Code 的 agent 循环——工具调用、文件编辑、bash 执行、自我纠错——两周不到冲到 7 万 star。他读出的信号没错：市场正从「用我们的 agent」转向「搞懂 agent 怎么运作，好让你自己造」。当循环的参考实现就是 500 行读得懂的代码，护城河从来就不是循环本身。

💡#18

@DanKornas
https://x.com/DanKornas/status/2074653186045137154
agentic 循环正在离开数据中心。ESP-Claw 是乐鑫（Espressif）给跑在 ESP32 芯片上的 IoT 设备做的聊天式编码 agent 框架——你通过对话定义设备行为，配一个事件驱动的 agent 循环，设备事件在本地触发感知、决策和执行，再加上设备端的结构化记忆，让私有 context 永远不碰云。这是把循环模式套到硬件上，设备端记忆这个角度是有意思的地方。开源，Apache 2.0。

💡#19

@cdiamond
https://x.com/cdiamond/status/2074851278010630415
关于经济账转向说得最干净的一句。读 GPT-5.6 的定价，他主张差异化因素不是模型，是缓存：缓存读取打一折、最短 30 分钟缓存寿命，OpenAI 给一个长跑 agent 的记忆定价，就像 AWS 给预留实例定价一样。他的框架：旧游戏是哪个模型赢下榜单，新游戏是谁的 agent 循环扛得住账单。prompt 缓存是新的预留实例，模型大战刚刚变成了缓存经济学大战。

💡#20

@Vtrivedy10
https://x.com/Vtrivedy10/status/2074886193074815118
一个从业者反对「一刀切 harness」的论证。他为 Model-Harness-Task 匹配辩护：把不同模型塞进同一个 harness，会白白浪费性能，对开源模型尤其明显。解法是 harness profile——按模型定制 prompt、工具签名和内置 skill，每个 profile 用一个 auto-research 式循环加人工审核来拟合。你在乎的每个任务都跑一遍这个循环。这是把 autoresearch 用到 harness 本身上，而不只是它写的代码上。

💡#21

@nasqret
https://x.com/nasqret/status/2074847411193708784
autoresearch 伸进了数学。从布拉格待了三天回来，跟研究者聊 auto-research、SMT 求解器和可验证软件的未来，他对 AI 在定理证明中能扮演的角色、以及把工程方法大规模用到数学上有了深得多的理解。这还早、还偏聊天性质，但它是一个真实信号：autoresearch 循环正被认真考虑用于形式化数学，而不只是 kernel 和 benchmark。不同领域，同一个原语。

💡#22

@PostleTyler
https://x.com/PostleTyler/status/2074929027702210918
对自改进热潮一记有用的现实检查。他把 agent 优化的层级摊开：先是只改写自己的 prompt，然后是 prompt 加 skill，再然后是 prompt、skill、加上它能控制的工具——它控制的变量越多，能改进的就越多，但把自己优化进死胡同的路子也越多。他的收尾一击：大多数号称自改进的 agent，勉强只在第一层运作。拿它当滤镜，对照今天每一条「自改进 agent」的帖子看，正好。

📡 生态产品雷达

生态产品雷达

Codex —当天最大的 autoresearch 战果（212 倍内核加速）背后的执行器，也是一批从零手搓 agent 的灵感来源。
autoresearch-at-home — Karpathy 播种出来的排行榜，现在大家拿家用 GPU 在上面卷。
LangChain / DeepAgents — 给开源模型按任务定制 harness profile、做持续学习的工具链。
DGM（Darwin Godel Machine）— 不改权重、只改脚手架来实现自我提升的标杆案例。
Trellis / Experience Graphs — 把 agent 状态当成一等公民、可查询的数据库这套思路的代表。
learn-claude-code / Blazecode — 用约 500 行代码从零复刻 agent loop 的教学级实现。

← 上一篇

SAO：让长链条 agent 训练不炸的那个 RL 招

灵感雷达: 2026年7月10日

← 返回所有文章

加载中...

Loop 日报: 2026年7月10日

相关文章

评论