Loop 日报: 2026-11-15
这周的循环收到了账单。最锋利的帖子不在讨论 agent 有多聪明,而在算自我改进到底花多少钱、谁来当裁判:一篇论文把学习这一步本身的 token 单独记账,发现一个限长的笔记文件,用三分之一的成本就打平甚至赢过各种重型自我改进方法;另一篇显示「分数更高就留下」这条规则,差不多一半时间会收下更差的更新;还有人扫了几万个仓库,发现真正在跑的 agent 循环里,几乎没有一个记下了自己的账。另一个没愈合的伤口是探索:研究型 agent 在头六个小时里就钻进一两个思路盆地,之后很少再出来,开发者开始追问 autoresearch 里那个相当于学习率的旋钮到底是什么。与此同时,循环本身正在变成你能自己掌握的基础设施:Anthropic 允许团队自托管 Managed Agents 的整个循环,DeepSeek 发布了把循环做成可替换插件的 harness,Vapi 则因为每个客户都在手搓同一个循环,干脆把自我改进的语音 agent 循环做成了产品。噪声照旧很热闹,一大波复制粘贴的 Karpathy 仓库清单和免费 agent 课程帖,一条没收。
#1
@arkyyang
https://x.com/arkyyang/status/2121617499787837466
arkyyang 转了一篇叫 The RSI Tax 的预印本,第一次把自我改进 agent 在学习这一步烧的 token 单独记账,而不只是算干活的部分。在一组终端任务流上,Meta-Harness 干活用的 token 比最朴素的基线还少,但学习这一步多烧了 5.78 亿,总量冲到 7.62 亿,基线只有 2.15 亿,准确率还略低。这笔税里 75% 到 94% 花在验证上,也就是反复重跑 agent 去确认一个改动到底有没有用,Meta-Harness、EvoSkill、RRSI 都一样。最便宜的方法只是一个 2,048 token 封顶的笔记文件,每四个任务从失败里改写一次,却在四种设置里三次拿到最高准确率。要做自我改进循环,先上一个教训文件当基线,比较时看总 token,别看单任务 token。
https://x.com/arkyyang/status/2121617499787837466
arkyyang 转了一篇叫 The RSI Tax 的预印本,第一次把自我改进 agent 在学习这一步烧的 token 单独记账,而不只是算干活的部分。在一组终端任务流上,Meta-Harness 干活用的 token 比最朴素的基线还少,但学习这一步多烧了 5.78 亿,总量冲到 7.62 亿,基线只有 2.15 亿,准确率还略低。这笔税里 75% 到 94% 花在验证上,也就是反复重跑 agent 去确认一个改动到底有没有用,Meta-Harness、EvoSkill、RRSI 都一样。最便宜的方法只是一个 2,048 token 封顶的笔记文件,每四个任务从失败里改写一次,却在四种设置里三次拿到最高准确率。要做自我改进循环,先上一个教训文件当基线,比较时看总 token,别看单任务 token。
#2
@AGTPinsights
https://x.com/AGTPinsights/status/2121097682651361710
AGTPinsights 总结了 Bespoke Labs 关于研究型 agent 为什么会卡住的研究:它们掉进很窄的思路盆地,然后就待在里面。把 AutoResearchExam 上的轨迹聚类后发现,大多数运行只试了一两个思路,探索几乎全集中在头六个小时,47% 的运行跑满一整天也没离开第一个假设。一个真正的新思路带来的收益大约是继续精修的九倍,可超过一半的运行压根没碰到得分最高的那个思路。目前有效的办法很粗暴,就是 Fork-and-Flush 这种定期清空会话上下文的重置。这对想靠堆推理预算解决问题的人不太友好:agent 下结论太早,在同一个盆地里想得再多也没用。
https://x.com/AGTPinsights/status/2121097682651361710
AGTPinsights 总结了 Bespoke Labs 关于研究型 agent 为什么会卡住的研究:它们掉进很窄的思路盆地,然后就待在里面。把 AutoResearchExam 上的轨迹聚类后发现,大多数运行只试了一两个思路,探索几乎全集中在头六个小时,47% 的运行跑满一整天也没离开第一个假设。一个真正的新思路带来的收益大约是继续精修的九倍,可超过一半的运行压根没碰到得分最高的那个思路。目前有效的办法很粗暴,就是 Fork-and-Flush 这种定期清空会话上下文的重置。这对想靠堆推理预算解决问题的人不太友好:agent 下结论太早,在同一个盆地里想得再多也没用。
#3
@Kaushik009911
https://x.com/Kaushik009911/status/2121509808587362547
Kaushik009911 把三个结果归到同一条自我改进规则下:agent 什么都能改,唯独不能碰裁判。AWS 说 AWS Emulator 的代码全部由 agent 写成,但每次改动都要过一道合并闸门,构建、规范、安全、保真度一样不少。预印本 TRUST 发现,只要验证分更高就保留更新的循环,有 45.59% 的时候收下的其实是更差的更新,加一道统计检验后降到 2.78%。AIOA 让 agent 在改不了的验证器里优化一个模拟库,做出的优化器在没见过的问题上,比 L-BFGS 少用三倍多的力计算。点子现在很便宜,稀缺的是 agent 看不到也改不了的那套测试。
https://x.com/Kaushik009911/status/2121509808587362547
Kaushik009911 把三个结果归到同一条自我改进规则下:agent 什么都能改,唯独不能碰裁判。AWS 说 AWS Emulator 的代码全部由 agent 写成,但每次改动都要过一道合并闸门,构建、规范、安全、保真度一样不少。预印本 TRUST 发现,只要验证分更高就保留更新的循环,有 45.59% 的时候收下的其实是更差的更新,加一道统计检验后降到 2.78%。AIOA 让 agent 在改不了的验证器里优化一个模拟库,做出的优化器在没见过的问题上,比 L-BFGS 少用三倍多的力计算。点子现在很便宜,稀缺的是 agent 看不到也改不了的那套测试。
#4
@KissonL
https://x.com/KissonL/status/2121453197273284849
KissonL 认为「通过或不通过」这一个比特被高估了,并拿三篇新论文撑腰。重新给八个基准打分后发现,SWE-bench Verified 前十里相邻两名的差距,比测试本身的误差还小;Terminal-Bench 通过率打平的模型,在被测试丢掉的那部分指标上能差十倍以上。一篇对比评测框架的论文里,基于完整轨迹的评判 F1 到了 0.90,只看文本的评判误报多五倍,人工抽查漏掉了 72 个已知故障里的 9 个,其中包括一个语法正确却静默返回零行的 SQL 错误。Veritas 点出了对循环最要紧的一句:自我改进 agent 的上限是它的验证器,验证器有毛病,循环就会去优化那个毛病。
https://x.com/KissonL/status/2121453197273284849
KissonL 认为「通过或不通过」这一个比特被高估了,并拿三篇新论文撑腰。重新给八个基准打分后发现,SWE-bench Verified 前十里相邻两名的差距,比测试本身的误差还小;Terminal-Bench 通过率打平的模型,在被测试丢掉的那部分指标上能差十倍以上。一篇对比评测框架的论文里,基于完整轨迹的评判 F1 到了 0.90,只看文本的评判误报多五倍,人工抽查漏掉了 72 个已知故障里的 9 个,其中包括一个语法正确却静默返回零行的 SQL 错误。Veritas 点出了对循环最要紧的一句:自我改进 agent 的上限是它的验证器,验证器有毛病,循环就会去优化那个毛病。
#5
@fluixoo
https://x.com/fluixoo/status/2121300210349674787
fluixoo 这条帖子把一个很扎眼的普查裹在了仓库清单里:研究者翻了 36,487 个仓库找真正的 agent 循环,只找到 217 个。其中 101 个设了花费或轮数上限,76 个有验证器,55 个有目标或停止规则,35 个在两次运行之间保留了状态,记下账单的只有 10 个。最值得记住的一句是,触发器不是循环,那只是一个绑着你信用卡的定时任务。推荐的顺序是先用 Ralph 加一个 agent 改不了的检查,再补状态和停止规则,然后才谈扩规模。
https://x.com/fluixoo/status/2121300210349674787
fluixoo 这条帖子把一个很扎眼的普查裹在了仓库清单里:研究者翻了 36,487 个仓库找真正的 agent 循环,只找到 217 个。其中 101 个设了花费或轮数上限,76 个有验证器,55 个有目标或停止规则,35 个在两次运行之间保留了状态,记下账单的只有 10 个。最值得记住的一句是,触发器不是循环,那只是一个绑着你信用卡的定时任务。推荐的顺序是先用 Ralph 加一个 agent 改不了的检查,再补状态和停止规则,然后才谈扩规模。
#6
@gakonst
https://x.com/gakonst/status/2121404455153434722
gakonst 问出了每个 autoresearch 用户迟早会撞上的问题:这类工作里相当于调学习率的操作是什么?套路很熟悉,前期很快拿到 10 倍,之后就是漫长的小修小补,而另一个 10 倍其实只差一次重新设计。这和思路盆地研究量出来的平台期是同一件事,只是换成了实操者的视角。目前没人有干净的答案,所以才值得大声问出来:缺的那个旋钮,应该能按计划强行放弃精修、逼出一次推倒重来。
https://x.com/gakonst/status/2121404455153434722
gakonst 问出了每个 autoresearch 用户迟早会撞上的问题:这类工作里相当于调学习率的操作是什么?套路很熟悉,前期很快拿到 10 倍,之后就是漫长的小修小补,而另一个 10 倍其实只差一次重新设计。这和思路盆地研究量出来的平台期是同一件事,只是换成了实操者的视角。目前没人有干净的答案,所以才值得大声问出来:缺的那个旋钮,应该能按计划强行放弃精修、逼出一次推倒重来。
#7
@AtharvaRNaik
https://x.com/AtharvaRNaik/status/2121675996151841203
AtharvaRNaik 在一条回复里把同一个问题说得更直白:现在的 auto-research agent 并不会好好利用多出来的时间。它们在思路空间里很快到顶、过早收敛,研究者只能借助 fork-and-flush 那篇论文里的技巧去强迫它们继续探索。很多时间线预测默认多给几个小时就能多出研究成果,这句话正好泼了盆冷水。
https://x.com/AtharvaRNaik/status/2121675996151841203
AtharvaRNaik 在一条回复里把同一个问题说得更直白:现在的 auto-research agent 并不会好好利用多出来的时间。它们在思路空间里很快到顶、过早收敛,研究者只能借助 fork-and-flush 那篇论文里的技巧去强迫它们继续探索。很多时间线预测默认多给几个小时就能多出研究成果,这句话正好泼了盆冷水。
#8
@flawedaxioms
https://x.com/flawedaxioms/status/2121685050580496610
flawedaxioms 用 Fable 5.2 一个晚上就做出了一个强得多的 Tron 引擎,起点是一个在 CodinGame 天梯上排两百名左右的旧引擎、一张改进思路清单,再加几个别的引擎项目当参考。作者最近在游戏引擎、Battlecode 和 Kaggle 上都在做 autoresearch 风格的工作,认为大实验室之外这块还很不成熟。更尖锐的是经济判断:方法越成熟,智力竞赛就越往氪金方向走,因为谁肯多买 token、多买验证算力,谁就总能拿到更好的结果。
https://x.com/flawedaxioms/status/2121685050580496610
flawedaxioms 用 Fable 5.2 一个晚上就做出了一个强得多的 Tron 引擎,起点是一个在 CodinGame 天梯上排两百名左右的旧引擎、一张改进思路清单,再加几个别的引擎项目当参考。作者最近在游戏引擎、Battlecode 和 Kaggle 上都在做 autoresearch 风格的工作,认为大实验室之外这块还很不成熟。更尖锐的是经济判断:方法越成熟,智力竞赛就越往氪金方向走,因为谁肯多买 token、多买验证算力,谁就总能拿到更好的结果。
#9
@RohanArun
https://x.com/RohanArun/status/2121409559197536428
RohanArun 上线了 AI Traffic Control Bench,一个故意做得很难的空管模拟,agent 可以用 autoresearch 式的速通去参赛。目前榜单是:Claude Opus 5.5 写的脚本安全降落 180 架里的 131 架,GPT-6.1 Sol 45 架,GPT-6 Astra 44 架,基线脚本 13 架,此外还给航程效率打分。作者建议的赢法很有意思:让 agent 写可以被形式化验证的确定性代码,然后持续改进和监控,而不是让模型实时去指挥飞机。把一个现实问题变成带计分板的公开循环,这是个好模板。
https://x.com/RohanArun/status/2121409559197536428
RohanArun 上线了 AI Traffic Control Bench,一个故意做得很难的空管模拟,agent 可以用 autoresearch 式的速通去参赛。目前榜单是:Claude Opus 5.5 写的脚本安全降落 180 架里的 131 架,GPT-6.1 Sol 45 架,GPT-6 Astra 44 架,基线脚本 13 架,此外还给航程效率打分。作者建议的赢法很有意思:让 agent 写可以被形式化验证的确定性代码,然后持续改进和监控,而不是让模型实时去指挥飞机。把一个现实问题变成带计分板的公开循环,这是个好模板。
#10
@RohanArun
https://x.com/RohanArun/status/2121601937258754463
RohanArun 还发布了 conduit-fs,一个专门给多 agent autoresearch 用的小工具:它把本地文件夹乃至整个文件系统中继到沙箱里,沙箱碰到哪个文件才传哪个。加一个共享参数就能让所有节点双向同步同一个文件夹,并行的 agent 可以直接把基准结果写回去,不用在互相通信上浪费轮次。在 Integer Mult 仓库上,一个共享的精炼本地文件,比 agent 之间直接通信、也比各跑各的,都更快到达下一个里程碑。同一版本还加了 cookie 和 Tailscale 支持。
https://x.com/RohanArun/status/2121601937258754463
RohanArun 还发布了 conduit-fs,一个专门给多 agent autoresearch 用的小工具:它把本地文件夹乃至整个文件系统中继到沙箱里,沙箱碰到哪个文件才传哪个。加一个共享参数就能让所有节点双向同步同一个文件夹,并行的 agent 可以直接把基准结果写回去,不用在互相通信上浪费轮次。在 Integer Mult 仓库上,一个共享的精炼本地文件,比 agent 之间直接通信、也比各跑各的,都更快到达下一个里程碑。同一版本还加了 cookie 和 Tailscale 支持。
#11
@carm1nee
https://x.com/carm1nee/status/2121374897054069154
carm1nee 给一套具体做法套了个很夸张的标题:Karpathy 的 autoresearch,只允许改 strategy.py 这一个文件,在 Claude Code 里让 Fable 5.2 跑循环,数据是一整年的 BTC 小时 K 线。一年被切成 SEARCH、CHECK、LOCKED 三段,改动只有在 SEARCH 变好且 CHECK 不掉的时候才保留,LOCKED 只在最后打开一次。24 次实验里它扔掉了一个 NVIDIA 的信号,留下两处修改,锁定月份里 70.0% 的交易盈利,每天无脑买入是 67.6%。把「取代六位数年薪量化」的包装去掉,剩下的是一点点优势加一套靠谱的留出集纪律,值得抄的是后者。
https://x.com/carm1nee/status/2121374897054069154
carm1nee 给一套具体做法套了个很夸张的标题:Karpathy 的 autoresearch,只允许改 strategy.py 这一个文件,在 Claude Code 里让 Fable 5.2 跑循环,数据是一整年的 BTC 小时 K 线。一年被切成 SEARCH、CHECK、LOCKED 三段,改动只有在 SEARCH 变好且 CHECK 不掉的时候才保留,LOCKED 只在最后打开一次。24 次实验里它扔掉了一个 NVIDIA 的信号,留下两处修改,锁定月份里 70.0% 的交易盈利,每天无脑买入是 67.6%。把「取代六位数年薪量化」的包装去掉,剩下的是一点点优势加一套靠谱的留出集纪律,值得抄的是后者。
#12
@0xpipimd
https://x.com/0xpipimd/status/2121679787416846596
0xpipimd 拆解了 DeepSeek Harness,一个开源 agent harness,连 agent 循环本身都是可以替换的插件。它建在一个叫 Cordis 的插件框架上,模型适配、带作用域的工具执行、持久会话、子 agent 编排、可替换的沙箱提供方,都通过共享服务和带类型的事件拼起来。最值得抄的设计是会话日志:事件全部保留,喂给模型的对话从事件重建,于是失败和取消的尝试都留有记录,却不会污染模型的上下文。目前还是开发者预览版,MIT 协议。
https://x.com/0xpipimd/status/2121679787416846596
0xpipimd 拆解了 DeepSeek Harness,一个开源 agent harness,连 agent 循环本身都是可以替换的插件。它建在一个叫 Cordis 的插件框架上,模型适配、带作用域的工具执行、持久会话、子 agent 编排、可替换的沙箱提供方,都通过共享服务和带类型的事件拼起来。最值得抄的设计是会话日志:事件全部保留,喂给模型的对话从事件重建,于是失败和取消的尝试都留有记录,却不会污染模型的上下文。目前还是开发者预览版,MIT 协议。
#13
@panditdhamdhere
https://x.com/panditdhamdhere/status/2121686823214944571
panditdhamdhere 读完了 Anthropic 自托管 Claude Managed Agents 的文档。这个私测从 11 月 12 日开始,把 API、agent 循环和会话存储都搬到你自己的机器上,只有模型留在外面。要部署的是 cma-server、PostgreSQL 16 以上,以及拉任务、执行 shell 和文件工具的 worker;不配数据库的话,一次重启所有会话全没。凭证是刻意拆开的:应用拿服务端密钥,只有服务端持有推理凭证,worker 拿到的密钥只对一个环境的队列有效。最要紧的是那句警告:bash 工具是一个带着 worker 权限的真 shell,隔离程度完全取决于你把 worker 放在什么容器里。
https://x.com/panditdhamdhere/status/2121686823214944571
panditdhamdhere 读完了 Anthropic 自托管 Claude Managed Agents 的文档。这个私测从 11 月 12 日开始,把 API、agent 循环和会话存储都搬到你自己的机器上,只有模型留在外面。要部署的是 cma-server、PostgreSQL 16 以上,以及拉任务、执行 shell 和文件工具的 worker;不配数据库的话,一次重启所有会话全没。凭证是刻意拆开的:应用拿服务端密钥,只有服务端持有推理凭证,worker 拿到的密钥只对一个环境的队列有效。最要紧的是那句警告:bash 工具是一个带着 worker 权限的真 shell,隔离程度完全取决于你把 worker 放在什么容器里。
#14
@rabbit_hmi
https://x.com/rabbit_hmi/status/2121705882430136394
rabbit_hmi 晒了 OS3 一周的更新,对做循环的人来说最重要的是收拢:所有 OS3 agent 现在都跑在同一个共享的 agent 循环上,相关合并请求分别动了 454 和 567 个文件。工具调用的结果和权限现在全部按同一套规则判定,工具失败时 agent 会被告知原因而不是自己瞎猜,内部错误则继续隐藏。每次调用模型时加载的工具更少,其余的靠更聪明的检索来找。先把循环统一再加功能,这种不起眼的活大多数 agent 产品都跳过了。
https://x.com/rabbit_hmi/status/2121705882430136394
rabbit_hmi 晒了 OS3 一周的更新,对做循环的人来说最重要的是收拢:所有 OS3 agent 现在都跑在同一个共享的 agent 循环上,相关合并请求分别动了 454 和 567 个文件。工具调用的结果和权限现在全部按同一套规则判定,工具失败时 agent 会被告知原因而不是自己瞎猜,内部错误则继续隐藏。每次调用模型时加载的工具更少,其余的靠更聪明的检索来找。先把循环统一再加功能,这种不起眼的活大多数 agent 产品都跳过了。
#15
@_sophialabs
https://x.com/_sophialabs/status/2121692590504612090
_sophialabs 给可恢复的 agent 回合补上了缺的另一半:光能恢复进程不够,还得隔离文件系统。每个任务一个 worktree,主分支在检查通过之前保持只读,否则崩溃后恢复的循环只会在同一棵脏目录树上越改越乱。一条规则,就能让很多过夜运行不至于把自己的烂摊子越滚越大。
https://x.com/_sophialabs/status/2121692590504612090
_sophialabs 给可恢复的 agent 回合补上了缺的另一半:光能恢复进程不够,还得隔离文件系统。每个任务一个 worktree,主分支在检查通过之前保持只读,否则崩溃后恢复的循环只会在同一棵脏目录树上越改越乱。一条规则,就能让很多过夜运行不至于把自己的烂摊子越滚越大。
#16
@AJs_AI
https://x.com/AJs_AI/status/2121314038105960525
AJs_AI 提到 Vapi 发布了 Agent Loop,能自我改进的语音 agent。给出的理由才是重点:几乎每个 Vapi 客户都已经在手搓这个循环,Vapi 干脆把它做成了产品。当一个平台开始把客户反复重造的循环产品化,自我改进这一层就已经不是研究点子,而是一条功能线了。
https://x.com/AJs_AI/status/2121314038105960525
AJs_AI 提到 Vapi 发布了 Agent Loop,能自我改进的语音 agent。给出的理由才是重点:几乎每个 Vapi 客户都已经在手搓这个循环,Vapi 干脆把它做成了产品。当一个平台开始把客户反复重造的循环产品化,自我改进这一层就已经不是研究点子,而是一条功能线了。
#17
@TokenMarginDev
https://x.com/TokenMarginDev/status/2121681106517053633
TokenMarginDev 给 agent 循环为什么会把预算撑爆算了一笔账:一个 20 轮的循环,成本不是单次调用的 20 倍。因为上下文历史每一轮都在变长,没走缓存的输入花费会冲过单次调用的 190 倍。配套的计算器覆盖 101 个模型,模拟 5 到 20 轮的上下文增长和提示缓存能省多少,这才是该用的预算单位:按循环算,而不是按 token 算。
https://x.com/TokenMarginDev/status/2121681106517053633
TokenMarginDev 给 agent 循环为什么会把预算撑爆算了一笔账:一个 20 轮的循环,成本不是单次调用的 20 倍。因为上下文历史每一轮都在变长,没走缓存的输入花费会冲过单次调用的 190 倍。配套的计算器覆盖 101 个模型,模拟 5 到 20 轮的上下文增长和提示缓存能省多少,这才是该用的预算单位:按循环算,而不是按 token 算。
#18
@EmanHermanez
https://x.com/EmanHermanez/status/2121679783687852279
EmanHermanez 注意到,这周给 agent 发布的五样东西里有四样跟模型无关:管花钱的 ChatGPT Wallet,决定循环和数据放在哪的自托管 Claude Managed Agents,连补丁带测试一起起草的 Daybreak Defense Factory,以及让 agent 行为可见的 LangSmith 融资。唯一的模型是 Gemini 4 Hydrogen,而且是一次降价。判断是:模型价格每个月都在掉,循环周边的东西,谁能花钱、数据放哪、能不能证明 agent 昨晚干了什么,才是客户真正会签字买单的部分。
https://x.com/EmanHermanez/status/2121679783687852279
EmanHermanez 注意到,这周给 agent 发布的五样东西里有四样跟模型无关:管花钱的 ChatGPT Wallet,决定循环和数据放在哪的自托管 Claude Managed Agents,连补丁带测试一起起草的 Daybreak Defense Factory,以及让 agent 行为可见的 LangSmith 融资。唯一的模型是 Gemini 4 Hydrogen,而且是一次降价。判断是:模型价格每个月都在掉,循环周边的东西,谁能花钱、数据放哪、能不能证明 agent 昨晚干了什么,才是客户真正会签字买单的部分。
#19
@BNHNA
https://x.com/BNHNA/status/2121219206905532601
BNHNA 分享了 MechFoundry,Luo、Conte、Chen、Bouklas 合写的论文,讲的是一个能自己提出并完成真实物体工程分析与优化的 agent 循环。这是本周少数几篇明确瞄准软件以外领域的循环论文:agent 自己决定跑哪种力学分析,跑完再迭代设计。实体工程天然适合循环模式,因为仿真能给出一个硬分数,这正是 autoresearch 能在训练任务上奏效的同一个前提。
https://x.com/BNHNA/status/2121219206905532601
BNHNA 分享了 MechFoundry,Luo、Conte、Chen、Bouklas 合写的论文,讲的是一个能自己提出并完成真实物体工程分析与优化的 agent 循环。这是本周少数几篇明确瞄准软件以外领域的循环论文:agent 自己决定跑哪种力学分析,跑完再迭代设计。实体工程天然适合循环模式,因为仿真能给出一个硬分数,这正是 autoresearch 能在训练任务上奏效的同一个前提。
#20
@kingcorki
https://x.com/kingcorki/status/2121664867702612474
kingcorki 用一个周六搭了个小 agent 循环,按客户给研究文件重命名,再把每份文件的三个要点放进一条笔记。以前要点 35 分钟的鼠标,现在咖啡还没凉就跑完了。不是每个循环都要去爬基准,这种无聊的办公室版本,才是大多数时间真正省回来的地方。
https://x.com/kingcorki/status/2121664867702612474
kingcorki 用一个周六搭了个小 agent 循环,按客户给研究文件重命名,再把每份文件的三个要点放进一条笔记。以前要点 35 分钟的鼠标,现在咖啡还没凉就跑完了。不是每个循环都要去爬基准,这种无聊的办公室版本,才是大多数时间真正省回来的地方。
#21
@BIGBULLapp
https://x.com/BIGBULLapp/status/2121661441891504366
BIGBULLapp 介绍了 Waku,一个本地优先的助手 harness,agent 循环只有大约 95 行纯 Python,可以单步跟踪、随手修改。记忆是一个能直接打开读的 SQLite 文件,分成语义、情景、程序三层,有一道闸决定要不要记,还有一遍处理决定留下什么。本地仪表盘会在每条消息流过 harness 时点亮,你能看着循环在想什么,而不是靠猜。
https://x.com/BIGBULLapp/status/2121661441891504366
BIGBULLapp 介绍了 Waku,一个本地优先的助手 harness,agent 循环只有大约 95 行纯 Python,可以单步跟踪、随手修改。记忆是一个能直接打开读的 SQLite 文件,分成语义、情景、程序三层,有一道闸决定要不要记,还有一遍处理决定留下什么。本地仪表盘会在每条消息流过 harness 时点亮,你能看着循环在想什么,而不是靠猜。
#22
@Mijuraaa
https://x.com/Mijuraaa/status/2121539847386997098
Mijuraaa 介绍了在做多 agent 协作框架 Mozaik 时总结出的第一个设计模式:循环断点模式。每条指令在执行前先被评估一次,于是循环中途天然有了一个可以暂停、改道或在 agent 之间交接的位置。这和本周那场讲「护栏应该放在循环各步之间」的分享是同一个直觉,把检查从运行结束挪到运行中的每一步。
https://x.com/Mijuraaa/status/2121539847386997098
Mijuraaa 介绍了在做多 agent 协作框架 Mozaik 时总结出的第一个设计模式:循环断点模式。每条指令在执行前先被评估一次,于是循环中途天然有了一个可以暂停、改道或在 agent 之间交接的位置。这和本周那场讲「护栏应该放在循环各步之间」的分享是同一个直觉,把检查从运行结束挪到运行中的每一步。
#23
@aiDotEngineer
https://x.com/aiDotEngineer/status/2121064254040051853
aiDotEngineer 剪出了 Code Summit 上 UC Berkeley 的 Frank Coyle 的一段分享,观点是护栏应该放在 agent 循环的各步之间,而不是包在循环外面。内容讲了在哪里校验工具输入、在哪里检查输出、在哪里判断结果是否合理,赶在下一步用上它之前。每一步都查一次,比十步之后才发现前面错了便宜得多。
https://x.com/aiDotEngineer/status/2121064254040051853
aiDotEngineer 剪出了 Code Summit 上 UC Berkeley 的 Frank Coyle 的一段分享,观点是护栏应该放在 agent 循环的各步之间,而不是包在循环外面。内容讲了在哪里校验工具输入、在哪里检查输出、在哪里判断结果是否合理,赶在下一步用上它之前。每一步都查一次,比十步之后才发现前面错了便宜得多。
#24
@ofcskn
https://x.com/ofcskn/status/2121661133509562731
ofcskn 用伪代码贴了一份完整的 agent 循环规格:先读仓库,把计划拆成带可验证待办的阶段,然后对每个待办反复执行思考、行动、测试和独立验证,直到通过或被卡住。失败就进入修正,需要外部决定就升级并暂停,每个阶段结束都按新证据重新规划。最有用的是退出条件:所有验收标准都验证通过,或者把没解决的阻塞明确报告出来,才算结束,绝不凭一种模糊的已完成感收工。
https://x.com/ofcskn/status/2121661133509562731
ofcskn 用伪代码贴了一份完整的 agent 循环规格:先读仓库,把计划拆成带可验证待办的阶段,然后对每个待办反复执行思考、行动、测试和独立验证,直到通过或被卡住。失败就进入修正,需要外部决定就升级并暂停,每个阶段结束都按新证据重新规划。最有用的是退出条件:所有验收标准都验证通过,或者把没解决的阻塞明确报告出来,才算结束,绝不凭一种模糊的已完成感收工。
#25
@davhampl
https://x.com/davhampl/status/2121696495367868719
davhampl 在大规模地跑定时唤醒的 agent,按作者的说法,难点根本不在 agent 循环,而在重试风暴和重复唤醒。一旦大量循环按定时器触发、失败就重试,同一个任务就会跑两遍,同一个副作用也会落地两次。对想把循环从笔记本搬到整支机群上的人来说,生产环境的真问题是幂等,不是提示词。
https://x.com/davhampl/status/2121696495367868719
davhampl 在大规模地跑定时唤醒的 agent,按作者的说法,难点根本不在 agent 循环,而在重试风暴和重复唤醒。一旦大量循环按定时器触发、失败就重试,同一个任务就会跑两遍,同一个副作用也会落地两次。对想把循环从笔记本搬到整支机群上的人来说,生产环境的真问题是幂等,不是提示词。
#26
@iamMrDuncan
https://x.com/iamMrDuncan/status/2121480921530683702
iamMrDuncan 推荐了 Thermite,由 Kai 和团队做的开源 autoresearch 系统,主打开箱即用,回应的是 autoresearch 很难搭起来这种常见说法。说 autoresearch 已经被解决了显然太夸张,本周关于探索和验证的那些结果就是反证;不过打包好的开源运行器,确实降低了把循环套到自己问题上试一试的门槛。
https://x.com/iamMrDuncan/status/2121480921530683702
iamMrDuncan 推荐了 Thermite,由 Kai 和团队做的开源 autoresearch 系统,主打开箱即用,回应的是 autoresearch 很难搭起来这种常见说法。说 autoresearch 已经被解决了显然太夸张,本周关于探索和验证的那些结果就是反证;不过打包好的开源运行器,确实降低了把循环套到自己问题上试一试的门槛。
📡 生态产品雷达
生态产品雷达
Karpathy 的 autoresearch:仍然是参照系,从 BTC 策略配方、Tron 引擎,到围着它刷屏的各种仓库清单帖。
Claude Managed Agents(自托管):把 agent 循环、沙箱和会话历史搬进你自己云上的私测版本,从部署文档到哪些数据仍会离开内网都被拆了一遍。
Fable 5.2:本周大家把循环对准的模型,从交易回测到游戏引擎。
Opus 5.5:对照基准,也是 AI Traffic Control Bench 榜首脚本的作者。
Gemini 4 Hydrogen:便宜的新模型,重新挑起了按循环算成本的讨论。
Claude Code:这些循环默认跑在里面的 harness。
Karpathy 的 autoresearch:仍然是参照系,从 BTC 策略配方、Tron 引擎,到围着它刷屏的各种仓库清单帖。
Claude Managed Agents(自托管):把 agent 循环、沙箱和会话历史搬进你自己云上的私测版本,从部署文档到哪些数据仍会离开内网都被拆了一遍。
Fable 5.2:本周大家把循环对准的模型,从交易回测到游戏引擎。
Opus 5.5:对照基准,也是 AI Traffic Control Bench 榜首脚本的作者。
Gemini 4 Hydrogen:便宜的新模型,重新挑起了按循环算成本的讨论。
Claude Code:这些循环默认跑在里面的 harness。
评论