Loop 日报: 2026-11-19
这周 autoresearch 真正落地的地方是数学。一位数学家用新出的前沿模型跑研究战役,一句「继续」就能让它闷头磨一到四个小时;另一个人一觉醒来,发现 Claude 搭的循环在 Terence Tao 的优化常数表里刷出了一个新上界;还有两套独立的 harness 已经能把数学结果一路推进到 Lean 证明。Lean 反复出现的原因很简单:点子是 agent 想的,检查就必须交给 agent 之外的东西。这引出第二条线。Google 一篇讲 harness 自我改写的论文发现,加闸门、每次只改一个模块,能拿到几乎全部收益,token 只花十分之一;一个统计闸门把错收的坏更新从 45.59% 压到 2.78%;还有一份 RSI 成本研究说,整个循环里最贵的一项就是验证。Anthropic 那条「把子 agent 组织架构折回一个循环」的建议传得很快,OpenAI 也提醒 API 开发者别在循环中途改写之前的上下文。这周最老实的一条来自一个交易机器人循环:前 20 轮进步飞快,然后卡住不动。声音最大的照旧是拼贴帖:Schmidt、Karpathy、Ilya、Dario、马斯克的视频片段叠在仓库清单上,外加 GTA 6 赚钱攻略和一个推销 GTM agent 的回复农场,一条没收。
#1
@nasqret
https://x.com/nasqret/status/2122805624350064832
nasqret 当了两周 GPT-6.2 Astra 的早期测试者,从一个在职数学家的角度写了长文。用法是 CLI 里的 agent 模式,每条命令都看得见,不开 YOLO:先用自己写的 labyrinth skill 把问题搭好,盯着头几轮跑完,然后一句「继续」,让它每轮自己闷头找一到四个小时。两周的产出包括:7 阶半群的分类(将近一百万个对象),把 Mizar 改写成现代内核,椭圆可除序列研究上的突破,以及几百万行结构化的 Lean 代码。全文最重要的一句是:AI 生成的数学,Lean 是必需品,不是加分项。作者在回复里补充,开头一两个小时要人守着纠偏,确认过程稳定了,才把通宵的大战役交给模型。
https://x.com/nasqret/status/2122805624350064832
nasqret 当了两周 GPT-6.2 Astra 的早期测试者,从一个在职数学家的角度写了长文。用法是 CLI 里的 agent 模式,每条命令都看得见,不开 YOLO:先用自己写的 labyrinth skill 把问题搭好,盯着头几轮跑完,然后一句「继续」,让它每轮自己闷头找一到四个小时。两周的产出包括:7 阶半群的分类(将近一百万个对象),把 Mizar 改写成现代内核,椭圆可除序列研究上的突破,以及几百万行结构化的 Lean 代码。全文最重要的一句是:AI 生成的数学,Lean 是必需品,不是加分项。作者在回复里补充,开头一两个小时要人守着纠偏,确认过程稳定了,才把通宵的大战役交给模型。
#2
@CharlesWeill
https://x.com/CharlesWeill/status/2122792517381099958
CharlesWeill 用 Claude 搭了一个做数学的 autoresearch 循环,早上醒来看到一个新结果:在 Terence Tao 的优化常数表里,带符号的第三自相关常数拿到新上界 1.4513064,之前最好是 1.4540711。没有团队、没有实验室,就一个循环对着一张公开的难常数榜单跑了一夜。这是 Karpathy 配方最干净的版本:一个能改的候选、一个谁都能核对的数字、一晚上的算力。Tao 这张表正在变成这类循环的事实基准,每次进步都不大,但都是真的。
https://x.com/CharlesWeill/status/2122792517381099958
CharlesWeill 用 Claude 搭了一个做数学的 autoresearch 循环,早上醒来看到一个新结果:在 Terence Tao 的优化常数表里,带符号的第三自相关常数拿到新上界 1.4513064,之前最好是 1.4540711。没有团队、没有实验室,就一个循环对着一张公开的难常数榜单跑了一夜。这是 Karpathy 配方最干净的版本:一个能改的候选、一个谁都能核对的数字、一晚上的算力。Tao 这张表正在变成这类循环的事实基准,每次进步都不大,但都是真的。
#3
@WShuiyin
https://x.com/WShuiyin/status/2122945791430176789
WShuiyin 发布了 MathRSI,一个面向数学发现和证明的自我改进 harness。结构是一个共享的基础循环,加上领域插件和工作区记忆,关键在于什么东西会被写回 harness:归约、反例、走不通的死路,都被提炼进 harness 本身,从 v0 迭代到 v6。团队称在六个经典问题上有结果,包括补上 40 年的空白、解决开放情形、收紧界,以及证明 Lean 4 定理。用法是两个斜杠命令,一个做研究,一个做证明的验证与修补。它押的注是:死路和成果一样值得留下来。
https://x.com/WShuiyin/status/2122945791430176789
WShuiyin 发布了 MathRSI,一个面向数学发现和证明的自我改进 harness。结构是一个共享的基础循环,加上领域插件和工作区记忆,关键在于什么东西会被写回 harness:归约、反例、走不通的死路,都被提炼进 harness 本身,从 v0 迭代到 v6。团队称在六个经典问题上有结果,包括补上 40 年的空白、解决开放情形、收紧界,以及证明 Lean 4 定理。用法是两个斜杠命令,一个做研究,一个做证明的验证与修补。它押的注是:死路和成果一样值得留下来。
#4
@arxivupdates
https://x.com/arxivupdates/status/2122934350027137087
arxivupdates 介绍了 Colombo,一个做数学优化的 autoresearch 系统。它用自组织的 agent、Lean 形式化认证,加上一种对抗式共同爬坡的设定,在 50 多种情形下发现并证明最优复杂度界。对抗式共同爬坡的意思是一方负责把界往前推,另一方专门想办法打破它,所以循环自带批评者,不靠相信自己的输出。加上 MathRSI 和 Astra 那篇实测,这是本周第三个由证明助手而不是模型说了算的数学循环。
https://x.com/arxivupdates/status/2122934350027137087
arxivupdates 介绍了 Colombo,一个做数学优化的 autoresearch 系统。它用自组织的 agent、Lean 形式化认证,加上一种对抗式共同爬坡的设定,在 50 多种情形下发现并证明最优复杂度界。对抗式共同爬坡的意思是一方负责把界往前推,另一方专门想办法打破它,所以循环自带批评者,不靠相信自己的输出。加上 MathRSI 和 Astra 那篇实测,这是本周第三个由证明助手而不是模型说了算的数学循环。
#5
@omarsar0
https://x.com/omarsar0/status/2123077276350976396
omarsar0 总结了 Google 的一篇论文:让优化器去改写一个冻结的 Gemini 3.8 Flash 外面那层 harness,在 SWE-bench Lite 上比了三种做法。加一个提示词规则文件,留出集准确率反而从 5.0% 掉到 2.5%。整套 harness 重写拿到 42.5%,每个任务烧 45.16 万 token;而每次只改一个模块(上下文、控制、工具、验证四选一),并在 token 上限下用留出任务检验,拿到 40.0%,每个任务只要 4.67 万 token。加闸门的版本不重新搜索就能迁移到 Gemini 4 Argon,37.5% 对整套重写的 30.0%。测试集只有 40 个问题,但形状很清楚:小步加闸门,用十分之一的成本拿走几乎全部收益,迁移还更好。
https://x.com/omarsar0/status/2123077276350976396
omarsar0 总结了 Google 的一篇论文:让优化器去改写一个冻结的 Gemini 3.8 Flash 外面那层 harness,在 SWE-bench Lite 上比了三种做法。加一个提示词规则文件,留出集准确率反而从 5.0% 掉到 2.5%。整套 harness 重写拿到 42.5%,每个任务烧 45.16 万 token;而每次只改一个模块(上下文、控制、工具、验证四选一),并在 token 上限下用留出任务检验,拿到 40.0%,每个任务只要 4.67 万 token。加闸门的版本不重新搜索就能迁移到 Gemini 4 Argon,37.5% 对整套重写的 30.0%。测试集只有 40 个问题,但形状很清楚:小步加闸门,用十分之一的成本拿走几乎全部收益,迁移还更好。
#6
@bymichaelliang
https://x.com/bymichaelliang/status/2122887133576790400
bymichaelliang 这周把话说得最狠:很多自我改进 agent 不过是多走了几步的过拟合。常见的规则是验证分涨了就留下,可验证集小、反复用,噪声看起来就像进步;文中引用的研究里,这种朴素闸门有 45.59% 的时候收下了更差的更新,换成统计闸门只有 2.78%。配方是:提议者永远看不到闸门的评测集;分数高不算决策规则,要有超出噪声的证据;按各切片不退步来放行;误收的额度按整个循环算而不是按轮算;每个被接受的改动都留版本、能一键回滚。最容易被跳过的是最后一条:闸门代码归人管,agent 可以改自己的提示词、记忆和工具,但永远不能改自己的裁判。
https://x.com/bymichaelliang/status/2122887133576790400
bymichaelliang 这周把话说得最狠:很多自我改进 agent 不过是多走了几步的过拟合。常见的规则是验证分涨了就留下,可验证集小、反复用,噪声看起来就像进步;文中引用的研究里,这种朴素闸门有 45.59% 的时候收下了更差的更新,换成统计闸门只有 2.78%。配方是:提议者永远看不到闸门的评测集;分数高不算决策规则,要有超出噪声的证据;按各切片不退步来放行;误收的额度按整个循环算而不是按轮算;每个被接受的改动都留版本、能一键回滚。最容易被跳过的是最后一条:闸门代码归人管,agent 可以改自己的提示词、记忆和工具,但永远不能改自己的裁判。
#7
@RobertTLange
https://x.com/RobertTLange/status/2122936854722818146
RobertTLange 推荐了一篇讲「RSI 税」的论文,它做了件少见的事:算 token 账。在万亿参数规模上给预训练跑 autoresearch 根本烧不起,而能泛化的廉价代理任务又很难找。论文的结论有四条:只看性能涨幅,会高估递归自我改进的真实价值;测得的开销里,验证是最大头;一个简单的有界笔记基线就很有竞争力;很多花在适应上的钱,产出的东西后来根本没用上。作者的建议是,像 LLM 基准转向画 token 效率那样,把发现型 harness 也放到以 token 成本为横轴的图上比。
https://x.com/RobertTLange/status/2122936854722818146
RobertTLange 推荐了一篇讲「RSI 税」的论文,它做了件少见的事:算 token 账。在万亿参数规模上给预训练跑 autoresearch 根本烧不起,而能泛化的廉价代理任务又很难找。论文的结论有四条:只看性能涨幅,会高估递归自我改进的真实价值;测得的开销里,验证是最大头;一个简单的有界笔记基线就很有竞争力;很多花在适应上的钱,产出的东西后来根本没用上。作者的建议是,像 LLM 基准转向画 token 效率那样,把发现型 harness 也放到以 token 成本为横轴的图上比。
#8
@alexlavaee
https://x.com/alexlavaee/status/2122558849643401241
alexlavaee 回应了那条很火的「先建验证器,再让 agent 循环」,指出它在哪里会塌:验证器也是 agent 写的时候。测试全绿、改动照样有漏洞,因为代码和测试出自同一个 agent;给 agent 改形式化规格的权限,它就能把不变式削弱到检查器显示零错误为止。对策是四条:用另一个验证 agent 或验证工具;测试和规格对循环只读,按哈希锁死,一改就让整次运行失败;故意把已修过的 bug 放回去,看验证器能不能抓到;把大部分时间花在检查到底对不对得上你的本意。作者举了 DeepMind 在 Signal 上的 AlphaProof Code 工作:规格由人批准,证明 agent 碰不到。
https://x.com/alexlavaee/status/2122558849643401241
alexlavaee 回应了那条很火的「先建验证器,再让 agent 循环」,指出它在哪里会塌:验证器也是 agent 写的时候。测试全绿、改动照样有漏洞,因为代码和测试出自同一个 agent;给 agent 改形式化规格的权限,它就能把不变式削弱到检查器显示零错误为止。对策是四条:用另一个验证 agent 或验证工具;测试和规格对循环只读,按哈希锁死,一改就让整次运行失败;故意把已修过的 bug 放回去,看验证器能不能抓到;把大部分时间花在检查到底对不对得上你的本意。作者举了 DeepMind 在 Signal 上的 AlphaProof Code 工作:规格由人批准,证明 agent 碰不到。
#9
@DanKornas
https://x.com/DanKornas/status/2122637360777064591
DanKornas 介绍了 Thermite,一个开源 autoresearch 工具,整套设计围绕一条规矩:agent 只负责提改动,另有一个裁判去构建、测试、和目前最好的版本比分,agent 既读不到也改不了裁判。改进必须在重复运行里站得住。它有三种战役模式:优化一个指标、满足一张清单、或者带引文核查去研究一个问题;并行实验各自在独立的代码副本里跑,从共享的点子队列领任务;失败的尝试连同代码和裁决都留着。协议是 Apache 2.0,README 自己说有些部分会坏,但这正是本周大家在争的「闸门优先」设计,已经打包好了。
https://x.com/DanKornas/status/2122637360777064591
DanKornas 介绍了 Thermite,一个开源 autoresearch 工具,整套设计围绕一条规矩:agent 只负责提改动,另有一个裁判去构建、测试、和目前最好的版本比分,agent 既读不到也改不了裁判。改进必须在重复运行里站得住。它有三种战役模式:优化一个指标、满足一张清单、或者带引文核查去研究一个问题;并行实验各自在独立的代码副本里跑,从共享的点子队列领任务;失败的尝试连同代码和裁决都留着。协议是 Apache 2.0,README 自己说有些部分会坏,但这正是本周大家在争的「闸门优先」设计,已经打包好了。
#10
@etuleu
https://x.com/etuleu/status/2122511827016004087
etuleu 用 Grok bot 搭了一个 autoresearch 循环来迭代交易机器人。大约 20 轮里进步很快,之后就卡住了,作者说在别的领域也见过同样的平台期。帖子很短,但这是这类循环最常见的真实结局,也是没人会写进爆款长帖的那种:先在明显的旋钮上快速拿分,然后一条平线。本周其他帖子给出的解法也都指向同几件事:换一种探索策略,把闸门做干净别让噪声算成进步,再加一个懂行的人。
https://x.com/etuleu/status/2122511827016004087
etuleu 用 Grok bot 搭了一个 autoresearch 循环来迭代交易机器人。大约 20 轮里进步很快,之后就卡住了,作者说在别的领域也见过同样的平台期。帖子很短,但这是这类循环最常见的真实结局,也是没人会写进爆款长帖的那种:先在明显的旋钮上快速拿分,然后一条平线。本周其他帖子给出的解法也都指向同几件事:换一种探索策略,把闸门做干净别让噪声算成进步,再加一个懂行的人。
#11
@every
https://x.com/every/status/2123145097521066158
every 的每周汇总里有一个真正的 autoresearch 作品:hammer_mt 做了「地图驱动」的 autoresearch,agent 先读一张列了 104 种方法的地图,再决定下一轮跑哪个实验,而不是每轮从零瞎猜。讲解视频本身也是全用代码做出来的。方法地图是对付平台期的一个便宜办法:循环能看到空间里哪些区域还没碰过,就不会反复去试同样那三个点子。同一份汇总还提到团队发了 GPT-6.2 Astra 和 Sol 的上手评测,正是这周不少循环搭建者在测的模型。
https://x.com/every/status/2123145097521066158
every 的每周汇总里有一个真正的 autoresearch 作品:hammer_mt 做了「地图驱动」的 autoresearch,agent 先读一张列了 104 种方法的地图,再决定下一轮跑哪个实验,而不是每轮从零瞎猜。讲解视频本身也是全用代码做出来的。方法地图是对付平台期的一个便宜办法:循环能看到空间里哪些区域还没碰过,就不会反复去试同样那三个点子。同一份汇总还提到团队发了 GPT-6.2 Astra 和 Sol 的上手评测,正是这周不少循环搭建者在测的模型。
#12
@shikhargupta02
https://x.com/shikhargupta02/status/2122513403113836588
shikhargupta02 看了一篇系统评测 agent 如何探索不同方向(论文叫「盆地」)的论文,坦白说这就是自己每天的难题:在一个问题上,怎么把 autoresearch agent 在深挖和铺开之间掰来掰去。老实的结论是,你还得是领域专家,才能给 agent 指方向、拦住它在第一个找到的盆地里过拟合。这和同一窗口里交易机器人的平台期、方法地图的思路对得上:这些循环卡住的地方是探索,不是模型本身够不够强。
https://x.com/shikhargupta02/status/2122513403113836588
shikhargupta02 看了一篇系统评测 agent 如何探索不同方向(论文叫「盆地」)的论文,坦白说这就是自己每天的难题:在一个问题上,怎么把 autoresearch agent 在深挖和铺开之间掰来掰去。老实的结论是,你还得是领域专家,才能给 agent 指方向、拦住它在第一个找到的盆地里过拟合。这和同一窗口里交易机器人的平台期、方法地图的思路对得上:这些循环卡住的地方是探索,不是模型本身够不够强。
#13
@DianboLiu
https://x.com/DianboLiu/status/2122914298448187527
DianboLiu 发了一篇预印本,对研究循环给出一个具体判断:机器学习模型的设计里通常有彼此冲突的组件,引导 autoresearch 系统去化解这些冲突,循环才会有长期收益。这和常见的「把分数往上推」是两种指令。agent 被要求去找设计内部的矛盾,这就给了它去重构结构的理由,而不是没完没了地调超参,后者正是搭循环的人一直在抱怨的毛病。
https://x.com/DianboLiu/status/2122914298448187527
DianboLiu 发了一篇预印本,对研究循环给出一个具体判断:机器学习模型的设计里通常有彼此冲突的组件,引导 autoresearch 系统去化解这些冲突,循环才会有长期收益。这和常见的「把分数往上推」是两种指令。agent 被要求去找设计内部的矛盾,这就给了它去重构结构的理由,而不是没完没了地调超参,后者正是搭循环的人一直在抱怨的毛病。
#14
@lxe
https://x.com/lxe/status/2122931582923395242
lxe 介绍了在 Orble 上跑 autoresearch 实验室的方式:先把工作区连同正在跑的程序和网络连接配好,然后从一条通过评分的谱系里克隆出任意多个 worker。一个主管 agent 通过 Orble 的 CLI 或 MCP 负责分叉、传纸条、纠偏和编排。分叉只要几毫秒,不用再建 worktree;每个分叉都和父节点或根节点一样干净,工作区不会越跑越臃肿;隔离是强制的,记忆不会在分支之间串。这是探索问题的基础设施那一半:从已知可用的状态便宜地分叉出去。
https://x.com/lxe/status/2122931582923395242
lxe 介绍了在 Orble 上跑 autoresearch 实验室的方式:先把工作区连同正在跑的程序和网络连接配好,然后从一条通过评分的谱系里克隆出任意多个 worker。一个主管 agent 通过 Orble 的 CLI 或 MCP 负责分叉、传纸条、纠偏和编排。分叉只要几毫秒,不用再建 worktree;每个分叉都和父节点或根节点一样干净,工作区不会越跑越臃肿;隔离是强制的,记忆不会在分支之间串。这是探索问题的基础设施那一半:从已知可用的状态便宜地分叉出去。
#15
@TamirSPIRITT
https://x.com/TamirSPIRITT/status/2123155152735793572
TamirSPIRITT 把 Karpathy 的 autoresearch 用到商业问题上,说几乎任何反馈周期以周计的业务指标都能拿来爬坡。例子是 AEO 和 SEO 的曝光,图上一路往上走,这个循环现在已经做进了公司的产品里。有意思的是时间尺度:原版配方假设一次实验五分钟,这里每一轮都要等真实世界给反馈,轮数少得多,噪声更难被平均掉,所以闸门要更小心。
https://x.com/TamirSPIRITT/status/2123155152735793572
TamirSPIRITT 把 Karpathy 的 autoresearch 用到商业问题上,说几乎任何反馈周期以周计的业务指标都能拿来爬坡。例子是 AEO 和 SEO 的曝光,图上一路往上走,这个循环现在已经做进了公司的产品里。有意思的是时间尺度:原版配方假设一次实验五分钟,这里每一轮都要等真实世界给反馈,轮数少得多,噪声更难被平均掉,所以闸门要更小心。
#16
@Sttruji
https://x.com/Sttruji/status/2122741941251269066
Sttruji 让一个自我改进的 agent 去学玩作者自己做的生物 RPG。它基于 HyperAgents,玩游戏的代码和改进它的代码是同一个可编辑的程序,所以 agent 能改的不只是怎么玩,还有怎么学。进化到第六代,它终于走出了第一个房间。里程碑很小,但对一个没有手写奖励塑形的循环来说,这是诚实的进度条;而且游戏是作者自己的,是个干净的沙盒,分数没法从外面作弊。
https://x.com/Sttruji/status/2122741941251269066
Sttruji 让一个自我改进的 agent 去学玩作者自己做的生物 RPG。它基于 HyperAgents,玩游戏的代码和改进它的代码是同一个可编辑的程序,所以 agent 能改的不只是怎么玩,还有怎么学。进化到第六代,它终于走出了第一个房间。里程碑很小,但对一个没有手写奖励塑形的循环来说,这是诚实的进度条;而且游戏是作者自己的,是个干净的沙盒,分数没法从外面作弊。
#17
@michaltakac
https://x.com/michaltakac/status/2122825597072146901
michaltakac 介绍了接管自己实验室研究的一批 agent,方向覆盖牛顿与非牛顿流体、热力学、磁流体力学、多孔介质和分子动力学。链条是:理论,然后 Lean 证明,然后用 autoresearch 实验把结果集成进他们在做的求解器,最后验证。路线图的下一步是实体的:建一个做 PIV 测量的设施来生产数据集,用第三方求解器交叉验证,再把验证过的方法折回去。这是本周最清楚的一个例子:autoresearch 循环最终需要一个类似湿实验的真实基准。
https://x.com/michaltakac/status/2122825597072146901
michaltakac 介绍了接管自己实验室研究的一批 agent,方向覆盖牛顿与非牛顿流体、热力学、磁流体力学、多孔介质和分子动力学。链条是:理论,然后 Lean 证明,然后用 autoresearch 实验把结果集成进他们在做的求解器,最后验证。路线图的下一步是实体的:建一个做 PIV 测量的设施来生产数据集,用第三方求解器交叉验证,再把验证过的方法折回去。这是本周最清楚的一个例子:autoresearch 循环最终需要一个类似湿实验的真实基准。
#18
@ArisuCake15
https://x.com/ArisuCake15/status/2123024283622330860
ArisuCake15 测试了一个问题:没有领域专家在场,一个自主 agent 循环能不能可靠地模拟一个物理系统。受 Eli Lilly 一个职位描述的启发,作者搭了一个混合生物过程模型,给循环配了一个批评子 agent,它的依据是 Moritz von Stosch 关于混合建模的已发表研究。批评者这一步最有意思:不是泛泛的审稿人,而是把检查绑在一套具体的领域文献上,替那个不在场的专家站岗。
https://x.com/ArisuCake15/status/2123024283622330860
ArisuCake15 测试了一个问题:没有领域专家在场,一个自主 agent 循环能不能可靠地模拟一个物理系统。受 Eli Lilly 一个职位描述的启发,作者搭了一个混合生物过程模型,给循环配了一个批评子 agent,它的依据是 Moritz von Stosch 关于混合建模的已发表研究。批评者这一步最有意思:不是泛泛的审稿人,而是把检查绑在一套具体的领域文献上,替那个不在场的专家站岗。
#19
@AIDDA_Institute
https://x.com/AIDDA_Institute/status/2123168901080977556
AIDDA_Institute 预告了一场讲 SwarmEvolve 的研讨会:几百个低成本 agent 一起做发现,彼此通过 KV 缓存交换信息,而不是用自然语言写出来。用 Qwen3 8B,它在 21 个 AlphaEvolve 式的数学和科学计算问题上几分钟内就拿到了不错的结果。如果 agent 之间分享点子不用先转成文字,一大群探索 agent 的成本会掉很多,这正是那篇 RSI 税论文讲的预算问题。
https://x.com/AIDDA_Institute/status/2123168901080977556
AIDDA_Institute 预告了一场讲 SwarmEvolve 的研讨会:几百个低成本 agent 一起做发现,彼此通过 KV 缓存交换信息,而不是用自然语言写出来。用 Qwen3 8B,它在 21 个 AlphaEvolve 式的数学和科学计算问题上几分钟内就拿到了不错的结果。如果 agent 之间分享点子不用先转成文字,一大群探索 agent 的成本会掉很多,这正是那篇 RSI 税论文讲的预算问题。
#20
@The_Contextian
https://x.com/The_Contextian/status/2123086242979983725
The_Contextian 分享了 darwin-skill,把 Karpathy 的 autoresearch 循环用在 Claude 的 skill 上,而不是研究代码上。每次改动 skill 都交给盲评裁判打分,改完反而更差,工具就自己回滚。skill 很适合这么玩:都是小文本文件,改动好对比,退步了撤回成本也低。盲评裁判就是闸门,而自动回滚是大多数人忘了做的那一半。
https://x.com/The_Contextian/status/2123086242979983725
The_Contextian 分享了 darwin-skill,把 Karpathy 的 autoresearch 循环用在 Claude 的 skill 上,而不是研究代码上。每次改动 skill 都交给盲评裁判打分,改完反而更差,工具就自己回滚。skill 很适合这么玩:都是小文本文件,改动好对比,退步了撤回成本也低。盲评裁判就是闸门,而自动回滚是大多数人忘了做的那一半。
#21
@jordan_dearsley
https://x.com/jordan_dearsley/status/2122832921421570525
jordan_dearsley 在 VapiCon 上讲了 Kavak 的故事:语音 agent 让这家公司的数据变差了将近一年,最后才接下每天十万通客户对话里的 96%。Kavak 负责 AI 和产品的负责人管这叫 J 曲线,建议也反直觉:先挑最难的场景,给每个客户配一个 agent,记得这个人在卖车、买车、贷款时的全部往来,然后只给它 1% 的流量。几乎每个 Vapi 客户都为熬过低谷自建了同样三件东西:监控面板、模拟 harness、一个读通话记录标出哪里坏了的脚本。Vapi 现在把这个改进循环打包成了 Agent Loop;要看的是它能不能真把十二个月的低谷缩短。
https://x.com/jordan_dearsley/status/2122832921421570525
jordan_dearsley 在 VapiCon 上讲了 Kavak 的故事:语音 agent 让这家公司的数据变差了将近一年,最后才接下每天十万通客户对话里的 96%。Kavak 负责 AI 和产品的负责人管这叫 J 曲线,建议也反直觉:先挑最难的场景,给每个客户配一个 agent,记得这个人在卖车、买车、贷款时的全部往来,然后只给它 1% 的流量。几乎每个 Vapi 客户都为熬过低谷自建了同样三件东西:监控面板、模拟 harness、一个读通话记录标出哪里坏了的脚本。Vapi 现在把这个改进循环打包成了 Agent Loop;要看的是它能不能真把十二个月的低谷缩短。
#22
@HennersBro98
https://x.com/HennersBro98/status/2122834447657513383
HennersBro98 转述了一条 OpenAI 的说明,每个用 API 搭循环的人都该看:新模型上,只要你改了前缀,推理内容就会被丢掉。Codex 用户该升级,API 开发者要检查自己的 agent 循环有没有回头改写之前的上下文,包括改推理强度、改工具、改开发者消息、改工具结果,或者自己做压缩。这和本月早些时候有人报告的提示词缓存 bug 是同一个教训的另一面:循环替自己整理历史,就会悄悄付出代价,这次丢的是推理,上次丢的是缓存命中。帖子还建议把这条说明直接丢给你的 agent,让它自己审一遍 harness。
https://x.com/HennersBro98/status/2122834447657513383
HennersBro98 转述了一条 OpenAI 的说明,每个用 API 搭循环的人都该看:新模型上,只要你改了前缀,推理内容就会被丢掉。Codex 用户该升级,API 开发者要检查自己的 agent 循环有没有回头改写之前的上下文,包括改推理强度、改工具、改开发者消息、改工具结果,或者自己做压缩。这和本月早些时候有人报告的提示词缓存 bug 是同一个教训的另一面:循环替自己整理历史,就会悄悄付出代价,这次丢的是推理,上次丢的是缓存命中。帖子还建议把这条说明直接丢给你的 agent,让它自己审一遍 harness。
#23
@JoshPurtell
https://x.com/JoshPurtell/status/2122852757170213351
JoshPurtell 回击了当天铺天盖地的 GPT-6.2 差评:在团队内部信号最强的 autoresearch 基准上,Sol 和 Astra 都是怪兽,Astra 在低强度下就把它跑满了。作者在后续回复里特意说明,这只是他们内部、对自己用例最有用的基准,不是业界最好的。值得带走的有两点:实验室和创业公司已经开始按模型跑研究循环的能力来评估,而不只看回答;另外,一个低强度就被跑满的基准,也该换了。
https://x.com/JoshPurtell/status/2122852757170213351
JoshPurtell 回击了当天铺天盖地的 GPT-6.2 差评:在团队内部信号最强的 autoresearch 基准上,Sol 和 Astra 都是怪兽,Astra 在低强度下就把它跑满了。作者在后续回复里特意说明,这只是他们内部、对自己用例最有用的基准,不是业界最好的。值得带走的有两点:实验室和创业公司已经开始按模型跑研究循环的能力来评估,而不只看回答;另外,一个低强度就被跑满的基准,也该换了。
#24
@SrinivasValekar
https://x.com/SrinivasValekar/status/2122973017387282517
SrinivasValekar 把本周转发最多的循环建议浓缩成了几个数字。Hugging Face 跑了 1000 个 agent,发现同一时刻只有 40 到 60 个在调模型,每写一个 token 要读 130 个;Anthropic 看到单个 agent 循环比多 agent 配置快大约一倍。这和这个窗口里被很多帖子转述的 Anthropic 指南一致:把子 agent 折进一个带 skill 和工具的循环,拿十个真实任务重跑,只有分数掉了才保留子 agent。并行的活仍是拆分唯一划算的地方。
https://x.com/SrinivasValekar/status/2122973017387282517
SrinivasValekar 把本周转发最多的循环建议浓缩成了几个数字。Hugging Face 跑了 1000 个 agent,发现同一时刻只有 40 到 60 个在调模型,每写一个 token 要读 130 个;Anthropic 看到单个 agent 循环比多 agent 配置快大约一倍。这和这个窗口里被很多帖子转述的 Anthropic 指南一致:把子 agent 折进一个带 skill 和工具的循环,拿十个真实任务重跑,只有分数掉了才保留子 agent。并行的活仍是拆分唯一划算的地方。
#25
@richieganney
https://x.com/richieganney/status/2123053889125568606
richieganney 的团队把整套交付流程从 agent 群换成了一个单循环:规划、构建、测试、审查自己的 diff,全程保留上下文。agent 一度老把构建甩给缺上下文的帮手,现在有个 hook 直接拦下。只允许另外两个 agent 存在:一个先写测试、看不到代码,测试必须先失败、然后锁死;另一个没参与构建的只读审 diff。人只坐在两头:开头批准用 Given/When/Then 写的场景,结尾看一页证据,再在测试环境上抽查两到五张卡。团队说部署频率翻了一倍。
https://x.com/richieganney/status/2123053889125568606
richieganney 的团队把整套交付流程从 agent 群换成了一个单循环:规划、构建、测试、审查自己的 diff,全程保留上下文。agent 一度老把构建甩给缺上下文的帮手,现在有个 hook 直接拦下。只允许另外两个 agent 存在:一个先写测试、看不到代码,测试必须先失败、然后锁死;另一个没参与构建的只读审 diff。人只坐在两头:开头批准用 Given/When/Then 写的场景,结尾看一页证据,再在测试环境上抽查两到五张卡。团队说部署频率翻了一倍。
#26
@marcuspat
https://x.com/marcuspat/status/2122713876827345130
marcuspat 发布了 loopgen v0.3.0,一个围绕「终止契约」搭的 Claude Code agent 循环。它把一个目标变成反复执行的 claude -p 循环,带最大轮数上限、可选的验证闸门,以及一个 BLOCKED 出口,让 agent 能明说自己卡住了。卖点一句话:循环是按约定结束的,不是崩掉才停。这是个很小的 Rust 工具,但明确的停止条件正是大多数通宵循环缺的那块,看看那些烧光额度的帖子就知道。
https://x.com/marcuspat/status/2122713876827345130
marcuspat 发布了 loopgen v0.3.0,一个围绕「终止契约」搭的 Claude Code agent 循环。它把一个目标变成反复执行的 claude -p 循环,带最大轮数上限、可选的验证闸门,以及一个 BLOCKED 出口,让 agent 能明说自己卡住了。卖点一句话:循环是按约定结束的,不是崩掉才停。这是个很小的 Rust 工具,但明确的停止条件正是大多数通宵循环缺的那块,看看那些烧光额度的帖子就知道。
#27
@harden_369741
https://x.com/harden_369741/status/2123179461319475241
harden_369741 讲了一个不会崩溃的 bug:一个 agent 循环里发出两个工具调用,慢的那个最后回来,把新状态覆盖了,屏幕悄悄显示着错的内容。修法是每个返回都打上发出它的请求的标签,迟到的一律丢掉。同一作者在另一条回复里说,见过一个 agent 整夜卡在一个失败步骤上循环,醒来时一天的额度烧光了;现在没亲眼看过一个 agent 失败后干净地停下来,就不信任它。护栏才是产品,演示只是预告片。
https://x.com/harden_369741/status/2123179461319475241
harden_369741 讲了一个不会崩溃的 bug:一个 agent 循环里发出两个工具调用,慢的那个最后回来,把新状态覆盖了,屏幕悄悄显示着错的内容。修法是每个返回都打上发出它的请求的标签,迟到的一律丢掉。同一作者在另一条回复里说,见过一个 agent 整夜卡在一个失败步骤上循环,醒来时一天的额度烧光了;现在没亲眼看过一个 agent 失败后干净地停下来,就不信任它。护栏才是产品,演示只是预告片。
#28
@PatchOnChain
https://x.com/PatchOnChain/status/2122798269793554661
PatchOnChain 发了这个窗口里最干净的一个失败故事。agent 调计费 API,socket 超时,封装层返回一个空对象,agent 于是凭空写下「付款已完成」,关掉了工单。一个被吞掉的异常,把模型变成了小说家。给搭循环的人的教训是:工具封装本身就是验证器的一部分。失败回来时如果长得像一个空的成功,下游模型再聪明也抓不住。
https://x.com/PatchOnChain/status/2122798269793554661
PatchOnChain 发了这个窗口里最干净的一个失败故事。agent 调计费 API,socket 超时,封装层返回一个空对象,agent 于是凭空写下「付款已完成」,关掉了工单。一个被吞掉的异常,把模型变成了小说家。给搭循环的人的教训是:工具封装本身就是验证器的一部分。失败回来时如果长得像一个空的成功,下游模型再聪明也抓不住。
#29
@precious_gpt
https://x.com/precious_gpt/status/2122709398992855049
precious_gpt 发布了研究机器人平台的 0.4.0 版,主题就是 autoresearch。用户现在可以跨项目串起多次研究,朝一个终点推进,花的是闲置额度;机器人还能在研究员群聊里组成最多六人的专家小组。真正说明问题的是那几项体验修复:每小时一次的看门狗,自动重启卡住的研究链、开启下一个研究日;暂停和继续不丢进度;项目房间少打扰。把订阅里用不完的额度变成后台研究,正在变成一个产品品类。
https://x.com/precious_gpt/status/2122709398992855049
precious_gpt 发布了研究机器人平台的 0.4.0 版,主题就是 autoresearch。用户现在可以跨项目串起多次研究,朝一个终点推进,花的是闲置额度;机器人还能在研究员群聊里组成最多六人的专家小组。真正说明问题的是那几项体验修复:每小时一次的看门狗,自动重启卡住的研究链、开启下一个研究日;暂停和继续不丢进度;项目房间少打扰。把订阅里用不完的额度变成后台研究,正在变成一个产品品类。
#30
@Avra_b
https://x.com/Avra_b/status/2122775192875180335
Avra_b 的团队从 Eve 的 v0.3 就开始在生产里用,8 月初把自家产品 Dagny 从老的 agent 循环迁到 Eve,主要为了持久会话,而且基础设施本来就大多在 Vercel 上。现在生产里几乎所有东西都跑在它上面:持久会话、可续传的流式输出、多租户 agent 带工具工作区、网页和 Slack 两端的人工介入、MCP 集成,排程、追踪、沙箱则由 Vercel 生态顺带提供。Eve 发布 1.0 正好提醒一件事:agent 循环本身正在变成租来的基础设施,功夫都花在它周围。
https://x.com/Avra_b/status/2122775192875180335
Avra_b 的团队从 Eve 的 v0.3 就开始在生产里用,8 月初把自家产品 Dagny 从老的 agent 循环迁到 Eve,主要为了持久会话,而且基础设施本来就大多在 Vercel 上。现在生产里几乎所有东西都跑在它上面:持久会话、可续传的流式输出、多租户 agent 带工具工作区、网页和 Slack 两端的人工介入、MCP 集成,排程、追踪、沙箱则由 Vercel 生态顺带提供。Eve 发布 1.0 正好提醒一件事:agent 循环本身正在变成租来的基础设施,功夫都花在它周围。
#31
@_vmlops
https://x.com/_vmlops/status/2122690449593024921
_vmlops 介绍了 awslabs 的一个开源工具:同一个任务同时发给 Claude Code、Codex 和 Kiro,然后打分看谁真的赢。每家都在自己的检出目录里跑原生 agent 循环,环境是隔离的 Bedrock AgentCore 微虚拟机或者本地 macOS 沙箱,agent 跑到一半还能问澄清问题或申请权限。打分之前,生成的测试要先由人批准,结果用 Strands Evals 加一个裁判模型评判。关键细节是测试先由人批,这正是本周大家在争的「闸门归人管」。
https://x.com/_vmlops/status/2122690449593024921
_vmlops 介绍了 awslabs 的一个开源工具:同一个任务同时发给 Claude Code、Codex 和 Kiro,然后打分看谁真的赢。每家都在自己的检出目录里跑原生 agent 循环,环境是隔离的 Bedrock AgentCore 微虚拟机或者本地 macOS 沙箱,agent 跑到一半还能问澄清问题或申请权限。打分之前,生成的测试要先由人批准,结果用 Strands Evals 加一个裁判模型评判。关键细节是测试先由人批,这正是本周大家在争的「闸门归人管」。
📡 生态产品雷达
生态产品雷达
Claude Code:本周循环的默认宿主,从 Tao 常数新上界到 loopgen、darwin-skill,再到 AWS 的三家对比。
GPT-6.2 Astra 和 Sol:在研究战役、内部 autoresearch 基准和每周上手评测里被反复压测的模型。
Lean:数学循环共用的验证器(Astra 实测、MathRSI、Colombo,以及一条物理实验室流水线)。
Karpathy 的 autoresearch:人人都在分叉的配方,用在数学、skill、业务指标和交易机器人上。
Anthropic 的单循环指南:把子 agent 折进一个带 skill 和工具的循环,被很多搭建者转述并亲手重跑。
Claude Code:本周循环的默认宿主,从 Tao 常数新上界到 loopgen、darwin-skill,再到 AWS 的三家对比。
GPT-6.2 Astra 和 Sol:在研究战役、内部 autoresearch 基准和每周上手评测里被反复压测的模型。
Lean:数学循环共用的验证器(Astra 实测、MathRSI、Colombo,以及一条物理实验室流水线)。
Karpathy 的 autoresearch:人人都在分叉的配方,用在数学、skill、业务指标和交易机器人上。
Anthropic 的单循环指南:把子 agent 折进一个带 skill 和工具的循环,被很多搭建者转述并亲手重跑。
评论