2026年7月17日loop

Loop 日报: 2026年7月17日

今天这个循环把枪口对准了自己。Weco 的 AIDE² 花了八天，对自己的自动研究框架跑自动研究，结果打赢了他们团队手工调了两年的版本，整个生态用了一整天来吵这到底证明了什么。在递归自我改进这个大标题底下，真正有用的活儿其实在别处：一个没有任何机器学习背景的人训出一个 1.7B 的自动纠错模型，反过来打赢了造出它的那个前沿模型；xAI 把 Grok Build 完整的 agent 循环开源了，任何人都能读到机器内部；还有一批建设者陆续报回同一个不性感的发现——循环很容易，裁判很难。今天最好的帖子讲的都不是什么能让循环跑起来，而是什么能让循环停下来。

💡#1

@AlphaSignalAI
https://x.com/AlphaSignalAI/status/2077426765752906146
关于 Weco AIDE² 结果最清楚的一次拆解。内循环是一个跑在 gemini-3-flash 上的基线自动研究 agent，它改写自己去提升某个指标；外循环是 Weco 自己调好的、跑在 claude-opus-4.7 上的 agent，它改写内层 agent，只有分数更高才保留改动。100 次改写，零人工干预，提出的改动里大约十分之九被丢掉。真正可迁移的招数是反奖励作弊的设计：外循环从不暴露自己真正的评测指标，于是那些靠钻可见分数空子取胜的 agent 被自然淘汰掉，GPU kernel 作弊率从 63% 降到 34%，比 Weco 自己手调 agent 的 42% 还低。他们对局限也很诚实：进化出来的 agent 带着死代码，而它最聪明的那层反作弊机制其实早就悄悄坏了。

💡#2

@skcd42
https://x.com/skcd42/status/2077495875157565841
xAI 用 Apache 2.0 把整个 Grok Build 应用开源了，agent 循环、终端渲染、压缩、目标、子 agent，全都在里面。这是本周 harness 工程领域最大的一件事：你不用再去逆向推测一个生产级编程 agent 怎么处理压缩和子 agent 派发，现在直接读 Rust 就行。一天之内 1652 个赞、12.1 万曝光，足以说明建设者对真正的框架内部有多饥渴，而不是那些只描述它们的博客文章。

💡#3

@rohanpaul_ai
https://x.com/rohanpaul_ai/status/2077535431374377019
对 Grok Build 这次开源到底放出了什么的一次细读：公开的 Rust 代码覆盖了 agent 循环、文件工具、shell 执行、网页搜索和终端界面，用户可以自己编译、接本地推理、通过 config.toml 控制行为。他点出的那个坑很关键——外部贡献仍然关闭，公开仓库是定期从内部 monorepo 同步的，所以独立分叉可以去试不同的可靠性设计，但共享的上游开发依然受限。它是可读的，不是可协作的。

💡#4

@0xPascual
https://x.com/0xPascual/status/2077289207488205178
一个交易员给了 Claude Fable 5 一万美元和一个含糊的目标，机器人在 42 天里跑了 30,670 笔预测市场交易，赚回 28.8 万美元。有意思的不是这个数字，而是它的利润结构：在短周期比特币涨跌二元期权市场里，每天约 6,878 美元、每小时 30 笔，这个机器人吃的是过期报价，不是在预测方向——它在对那些每 5 秒才更新一次报价的做市商做延迟套利。整套东西是一个四层 agent 循环（行情抓取、公允价估算、风险边界、执行引擎），不到 500 行 Python，跑在月付 30 美元的 VPS 上，每天大概 12 美元的 API 费用。

💡#5

@anshuc
https://x.com/anshuc/status/2077233256362287505
今天被转发最多的那个自动研究实验，作者亲自解释了它到底为什么成立。他用 GPT-5.6 Sol 训了一个 1.7B 的本地自动纠错模型，反过来打赢了 Sol 自己，没有机器学习背景，花费为零，而整件事的关键全在那份 /goal 规格上：把自动研究流程交代清楚，给一个目标数字（超过 90% 才算赢 Sol），再立规矩防止奖励作弊——它必须纠正这些特定的例句，而这些词不能出现在代码或训练数据里。他说除此之外的一切都只是模型在干活。教训是：循环从来不是难点，评测契约才是。

💡#6

@DanBochman
https://x.com/DanBochman/status/2077451527178891513
时间线上最实用的一个循环，而且它开头就说这类内容大多是扯淡。用 Codex 的定时功能，给它一个真实东西的只读受限访问，比如 Stripe 或者你的数据库，让它每天早上发一份报告：新增用户、购买、转化率、最活跃的 10 个用户、异常项。让它从仪表盘变成循环的那步升级是：把每次快照都存到一个文件夹，这样分析能回看 1 到 4 周，并且让报告本身去建议怎么改进数据采集脚本，还要标出哪些之前的结论需要修正。每天早上十分钟，一个月后你手里就有一份别人没有的数据集和报告。

💡#7

@PerceptualPeak
https://x.com/PerceptualPeak/status/2077432982613504013
来自一个真在实战跑多 agent 循环编排的人的具体报告。Codex 的压缩在辅助会话和验证会话里扛过了 30 多轮压缩循环，没有明显退化；而 Claude 在大约 60 万 token 之后出现明显退化，压缩之后变得毛躁。于是他们在 Claude 这边搭了一套自动 token 检测和会话交接流程，到 60 万 token 附近就开新会话，纯粹是为了让自动循环别死。这就是 harness 工程真实的样子：围着一个模型的失效曲线去修基础设施。

💡#8

@pauliusztin_
https://x.com/pauliusztin_/status/2077370093915574580
他试着凭感觉写一个 TypeScript 框架，一开始能跑，后来就不行了（skill 不被调用、斜杠命令失败、TUI 只渲染出前几个字符），于是他全删了，重建时不再把它当应用，而是当成一个工程组织。现在 Squid 跑着六个专职 agent——产品架构师、软件工程师、测试、PR 评审、值班工程师、自我改进 agent——每个只担一份责任，架构决策以 ADR 形式记录，术语统一放进项目词汇表，这样以后每个任务开局就有更好的上下文。每个循环都有重试上限，每个重大决策都有证据，人被设计着留在环路里。已开源。

💡#9

@EverymansAI
https://x.com/EverymansAI/status/2077535651894059271
一步步演示一个 AI Proposer 改写自己的编排器，这是本周关于这个模式最清晰的教学案例。原始框架的逻辑是：问 Fusion 引擎，问 Audit 引擎，返回结果——而当 Audit 说答案不合格时，它只是耸耸肩打个零分。Proposer 读了 24 个基线测试用例的日志，注意到那一堆零分，就把 Python 改写成 Audit 失败时把结果喂回 Fusion 重画一版。重跑那 24 个用例，分数上去了，新代码就被永久保留。让这件事算自我改进而不是自我编辑的，是那道验证闸门。

💡#10

@bondanr
https://x.com/bondanr/status/2077542340068327840
把循环经济学应用到芯片验证上，罕见地严谨。AI 验证 agent 不是只跑一次仿真，它编译、失败、修复、重跑，每产出一个有用结果要试上几百次，而绝大多数尝试都是垃圾，所以今天每一个语法错误都在烧一张昂贵的商业许可证。他建模了一套两级流程：开源仿真器吃掉所有投机性尝试，再由一道资格闸门只把真正的测试晋升到商业仿真器——结果是每个团队有用迭代约 3 倍，agent 循环缩短 24%，高价验证的工作负载上升 31%。他还把不接受他采纳假设时的下限也公布了（1.64 倍），并请验证工程师来告诉他模型哪里错了。那个仿真器叫 xezim，开源，Rust 写的。

💡#11

@hitu_monke
https://x.com/hitu_monke/status/2077441945652105673
今天最锋利的一个框架。每个 agent 循环都由四部分组成——一个触发器、干活本身、一个你能验证的目标、一份你记录下来的产出——而人们死磕前两个，跳过第三个。第三阶段决定的不是循环好不好，而是循环到底能不能存在：「让这个 python 脚本更快」能循环，因为你跑个基准就有个数字；「这条 linkedin 帖子好不好」永远循环不起来，因为没有任何东西告诉它该停了。同样的模型，同样的工具，同样的努力。他的结论值得直接拿走：那条线不是划在模型变笨的地方，而是划在终点线不再是一个数字的地方，所以循环会吃掉你工作中可度量的那一半，最后才被自动化的是品味。

💡#12

@dani_avila7
https://x.com/dani_avila7/status/2077215203846939082
来自一个跑 LLM 评测很久的人，讲你真正需要的三个层次。评测流程把生产环境的失败变成一个测试集，每次模型发版都重跑一遍。评测框架是那台机器，负责在干净环境里跑每个任务并给结果打分。agent 循环才是你真正的产品，评判它的标准是它在系统里改变了什么，而不是它说了什么。用生产数据喂养整套东西，测试每个新模型版本就变成自动的了——流程建一次，用一辈子。

💡#13

@stretchcloud
https://x.com/stretchcloud/status/2077268170604208252
对 NVIDIA 自动研究演示的一次细致解读。一个目标，一份时间预算：搭一个训练环境，教一个视觉模型数彩色星星。agent 自己搭环境、训模型、做评测、提出下一个实验，把 Qwen3-VL-2B 从 25% 拉到 96.9% 的准确率。技术栈是 NeMo RL 做强化学习层，NeMo Gym 做任务环境，再加上可复用的 skill，让 agent 能串起操作而不必每次从头开始。他的判断才是重点：眼下 agent 最有意思的进展不在模型能力，而在脚手架，模型正越来越像一个零件而不是产品。

💡#14

@askalphaxiv
https://x.com/askalphaxiv/status/2077415909652901993
70% 的 AI 研究不可复现，而 ICML 2026 前后又要砸下 6000 多篇论文，于是他们和 Hugging Face 合办了一个社区挑战赛，看看哪些结论能活下来。挑一篇论文，选其中一个结论，开始做实验——现在你还能把他们的自动研究 agent 指向最难啃的那部分，同时给一个开放研究产物库添砖加瓦。奖品是 4500 美元的 GPU 额度。这是今天所有人提出的自动研究用法里最正当的一种：不是生成新论文，而是核查我们已经有的那些。

💡#15

@fnruji316625
https://x.com/fnruji316625/status/2077518419956748367
agent 式可解释性正在成为一个独立的研究方向，这条帖子把它梳理了一遍。不再是一次性打标签，而是让 agent 提出假设、设计实验、检查激活和电路、根据反馈修正解释。他们的 SAGE 工作在 SAE 特征自动解释上开了这个先河；Agentic-iModels 跑一个自动研究循环，同时朝准确率和大模型可模拟性两个方向进化表格回归器，把下游数据科学 agent 提升了最多 73%；HYVE 观察电路组件、提出假设、用因果干预去检验，并在 84 个电路上给出了解释。这个领域正在从一次性标注走向自主的、假设驱动的研究。

💡#16

@onusoz
https://x.com/onusoz/status/2077451246575944067
今天最有意思的循环，底下还压着一个真正有用的基础设施演示。他在训一个把德语变简单的模型，管这个新方言叫 Alman，用的是跑在 Hugging Face 上的 OpenClaw，配一个叫 ML Claw 的 agent 框架，对 GPU、任务、沙箱和数据集有完整访问权。他真正想说的是：你可以在 Hugging Face 的基础设施上、在免费的私有 Space 里跑自动研究循环，用上 GLM 5.2 这种 SOTA 开源模型，甚至还能用你自己的 Codex 订阅。而且这事不一定非得跟机器学习有关——免费的 Hugging Face Spaces 本身就能当 OpenClaw agent 的免费算力。

💡#17

@tushar_koshti
https://x.com/tushar_koshti/status/2077267163040329897
一份简短有用的失败报告。他在生产环境里跑了一个 Fable 5 的 agent 循环做数据管道，一直好好的，直到撞上一个含糊的 API 响应，然后开始连着重试 47 次。解法是加一道置信度闸门，不确定性超过阈值就上报给人。他那句总结正是今天一整天的主题：循环需要的是护栏，不是重复。

💡#18

@PalantirTech
https://x.com/PalantirTech/status/2077481045251821760
Palantir 在 DevCon 6 上发布了 Agent Engine 和 Agent SDK，那个说法值得借走：把三个原语拼起来，agent 循环本质上就是一个分布式状态机。上下文项用强类型数据定义 agent 会话，事件让你能对状态变化做出反应，效应把 agent 连到外部世界。它跟多数 agent SDK 不同的地方在于那个主张：agent 从设计之初就是多人协作的，而不是单会话工具。

💡#19

@anna_y_zhang
https://x.com/anna_y_zhang/status/2077274954526081332
指向近来关于「从 agent 会话中学习」最严谨的一套做法。每次跑完都做一次复盘——完整记录、思考轨迹、工具调用——每条发现都被转化成一条规则、一段记忆或一道闸门，由下一个会话继承。教训要沿着一条强制力阶梯往上爬，直到真的粘住，而这恰恰是大多数「agent 记忆」方案跳过的部分。这就是真正拥有自己数据循环的样子，也是一个工作流不做任何模型训练就能自我改进的方式。

💡#20

@Mnilax
https://x.com/Mnilax/status/2077481569598758980
斯坦福扔出一篇关于循环工程和自我改进 agent 的论文，还附带一句警告。这个模式是：行动、给自己的 rollout 打奖励、拿它们训练、重复——而如果你让一个 agent 在没有硬性校验的情况下用自己的推理去训练自己，失败会复利：它同时变得更自信、更不正确。这就是「复利工作」的循环和「复利错误」的循环之间的分野，也正是 Weco 团队藏起真实评测指标要防的那个失效模式。

💡#21

@Marco_Ramilli
https://x.com/Marco_Ramilli/status/2077432701036994902
FuguNano 在你的仓库里直接跑一个由 9 个以上大模型驱动的自我改进多 agent 编程循环，给你零训练的自主有界代码评审。24 个 star，还很早期，但值得注意的设计选择是「有界」这两个字——这个循环有明确的停止条件，而不是一直跑到有人发现为止。

💡#22

@meta_alchemist
https://x.com/meta_alchemist/status/2077315228056932568
一个在做自我改进 agent 操作系统的人，写了一份罕见诚实的年度回顾。他把仓库从零重建了好几次，每次都学到东西，因为当你做的是一件难事时，AI 不会替你做出来，除非你指挥得非常好。转折点是他终于把 Spark 的自我改进机制圈进了一个他自己每天用着都觉得爽的状态——那是他第一次在自己的产品上感受到「哇」，而不是永远在追 bug 和重构架构。他还承认自己同时跑了一个游戏和一个孵化项目，结论是：失败面更大了，与其在几件事上平庸，不如把一件事做到极好。

💡#23

@aniketkrishna
https://x.com/aniketkrishna/status/2077441009613705228
Karpathy 那套 llm-wiki 模式的一个变体，把知识包做成活的工作区，而不是一个 markdown 文件夹。他的 wiki 是 Notion，所以每个概念是一个页面，关联替代了 frontmatter 链接，数据库替代了 yaml，任何 agent 都能把它挂载成一个可读可写的工具服务器。他的 skill 文件本身就是一个 Notion 页面——一份常驻的说明书，agent 每个会话都当指令加载，里面有采集约定、路由规则，还有一套口述标记语法，让语音输入能被解析成「存起来」和「去执行」两类片段。他对在指数曲线上做东西的代价也很诚实：项目的寿命大概只有六个月，他刚把自己的 Notion 框架做完，行业就宣布 Claude 在自家框架里表现最好。

💡#24

@rizwanc_r
https://x.com/rizwanc_r/status/2077269947861135803
他本来以为编程 agent 跑在什么秘密模型上，于是自己做了一个，发现那纯粹是工程活。目前做完的：一个 React 加 OpenTUI 的终端、带重试的 OpenRouter 流式输出、agent 循环和事件、一个 token 上下文管理器。下一步是文件编辑工具。这个发现本身就是重点——里面没藏着任何魔法。

💡#25

@DanielJLosey
https://x.com/DanielJLosey/status/2077228296312385992
他在用 Finch 4 为 agent 时代重做遗传算法。用神经网络当解码器，在概念上把基因型和表现型拆开，跟生物系统的做法一样，这意味着解决不同问题的个体最终可以在需要时共享基因代码。真正有意思的是那个设计约束：核心目标是做成一个容易交给 agent 的框架，让它们能在自动研究系统里快速进化出解法，而他既不指望也不希望有人类直接使用这个框架——跟之前每一个版本都彻底切割。

💡#26

@dvictor3579
https://x.com/dvictor3579/status/2077189496693801087
他在扩展 pi agent CLI 来应对 agent 循环场景，给每个子 agent 做动态选择，并给你一个正在处理任务的总览。事情不大，但正好戳中当下整个生态贯穿始终的那个抱怨：一旦你跑起带子 agent 的循环，你就看不见里面在发生什么。

💡#27

@autonolas
https://x.com/autonolas/status/2077416525619966344
以前要改进 agent 和它们的工具，每一步都得人来干——数据分析、根因排查、代码修复、基准校验，慢、手工、还反复重来。他们的 Toolsmith agent 现在把这些步骤自动化了，为 Olas Predict 上预测 agent 所用的工具造出了一个自我改进循环。让工具去改进工具，是一个比让 agent 改进自己更窄也更能实现的目标。

💡#28

@koustavagoswami
https://x.com/koustavagoswami/status/2077271105728122996
一条跟 Weco 结果同一天落地的一句话战报：他在对自动研究跑自动研究，模型正在爬坡。目标是扩散语言模型。细节很少，但这是独立的旁证，说明这套递归玩法并不只存在于某一家实验室的博客里。

💡#29

@abnershang
https://x.com/abnershang/status/2077429419380281379
今天最有用的一个怀疑论观点。自我改进的 agent skill 是个版本控制问题，不是智能问题——一个更聪明的模型在没有审计轨迹的情况下改自己的 prompt 文件，不会随时间变好，只会漂移得更快，而且一边漂一边听起来更自信。这跟斯坦福论文描述的是同一个失效模式，也是 Weco 藏起真实评测指标要防的那一个，只是换成了对当下正在改 skill 文件的人说的话。

📡 生态产品雷达

生态产品雷达

Grok Build — xAI 用 Apache 2.0 开源了完整的 CLI、agent 循环、TUI、压缩和子 agent；本周的框架发布之王。
AIDE² / Weco — 那个对自己跑了八天自动研究、打赢两年手工调优的自动研究框架。
Claude Code — 依然是人们拿自己的循环去对标的默认参照框架。
Codex / GPT-5.6 Sol — 定时任务和长压缩链条的首选循环引擎；在好几份报告里压缩表现明显好过 Claude。
NeMo RL / NeMo Gym — NVIDIA 开源的强化学习训练和任务环境栈，那个 25% 到 96.9% 的视觉结果就出自它。
Fable 5 — 今天多个生产循环里的模型，包括那个 28.8 万美元的预测市场机器人和那次重试 47 次的失败。
Hugging Face Spaces — 自动研究循环和 OpenClaw agent 的免费算力，带 GPU、任务和数据集访问。
MCP — 时间线上多数多工具循环里的连接组织。
Obsidian / Notion — agent 可读记忆的两个仓库选项，Notion 因为能挂载成工具服务器而势头上升。

← 上一篇

超级用户日报: 2026年7月17日

灵感雷达: 2026年7月17日

← 返回所有文章

加载中...

Loop 日报: 2026年7月17日

相关文章

评论