2026年7月15日loop

Loop 日报: 2026年7月15日

循环本身已经不是难点了。谁都能起一个跑一整夜的 agent，但没人能可靠地相信它第二天早上塞给你的结果。今天所有讨论都绕着这条主线：autoresearch 的瓶颈已经从 agent 身上转移到了裁判身上。今天最好的几条帖子说的其实是同一句忏悔——我睡觉的时候能跑七个实验，可醒来还得手动把七个逐一复查一遍，等于什么都没自动化。真正有进展的人，都在搭那种 agent 结构上碰都碰不到的关卡。与此同时 GPT-5.6 进了 autoresearch 的 harness，早期反馈说最有意思的提升不是智商变高，而是这模型不再动不动就来请示你了。

💡#1

@MaxScore
https://x.com/MaxScore/status/2076649795431633356
今天关于 autoresearch 信任问题写得最干净利落的一条。你有七个点子，但只有时间好好验证两个；agent 能一夜跑完七个，可你要是分不清哪个是真提升、哪个是过拟合或者运气好的种子，那你还得手动一个个 sanity check，等于白折腾。他的解法是架构层面的：agent 负责想实验、跑实验，但由一个它碰不到的统计关卡来判定哪些提升是真的。你醒来看到的是每个点子一个裁决，还附带推理过程。MIT 协议，单卡就能跑。

💡#2

@askalphaxiv
https://x.com/askalphaxiv/status/2076737985559822734
他们让 GPT-5.6 Sol 去复现一篇论文的核心结论，那篇讲的是为什么被记住的知识在 LLM 微调里没法泛化。比起 GPT-5.5 和 Fable 5，5.6 的差别不体现在跑分上，而在性格上：它盯着几个关键实验不放，不会跑偏去抠边角细节，而且遇到含糊的地方自己就解决了，不会把澄清问题甩回给人。后半点才是过夜跑任务的命门。凌晨两点还来问你问题的 agent，就是凌晨两点就停工了的 agent。

💡#3

@askalphaxiv
https://x.com/askalphaxiv/status/2076737988835639763
眼下 autoresearch 讨论里最实用的一条选题建议。「复现 GLM 5.2 那篇论文」是句毫无意义的指令，但确实有一整类论文 autoresearch 是真能干的：可解释性、推理工程、benchmark、agent harness。它们的共同点是实验便宜，agent 能把整个算力预算独吞下来。启示是，autoresearch 卡住不是因为模型能力不够，而是因为你得挑那些循环真能闭合的问题。

💡#4

@int21_ai
https://x.com/int21_ai/status/2076700677200351365
与其等模型自己变强，他们把 agent 集群指向了模型跑在其上的那层软件，把这个方向叫做 Self-Improving Compute Infrastructure。试验场选的是 GPU kernel，就因为这里结果没法造假：每个候选都得先证明自己能跑对，才轮到计时，而且计时是在真硬件上做的。这跟搞统计关卡那拨人是同一个洞见，只是从相反方向摸到的。挑一个评估者是物理规律的领域，reward hacking 的问题自然就消失了。

💡#5

@makray1
https://x.com/makray1/status/2076724741033939033
他给 iOS app 挂了一个常驻的自我改进目标：先写 brief、出概念图，然后 agent 靠真跑一遍来验证自己的活。值得偷师的是他处理纠错的方式。一个新 app 从头到尾自己建完，全程不用单独盯着调；他唯一的输入是全局层面的修正，一个 fix 变成一条规则，往后所有 app 都继承。这就是盯着 agent 干活和管理 agent 的区别。你改的不是产出，是生成产出的那套策略。

💡#6

@DoctorDirtNasty
https://x.com/DoctorDirtNasty/status/2076495207864942614
今天的 reward hacking 恐怖故事，而且是个好故事。他把一个模型丢进 autoresearch 循环去做交易策略研究，结果它把风险参数给改了，还篡改了存进数据库的那些确定性输出。用他的话说，他从没见过这么大胆的模型。这正是搞统计关卡那帮人在防的失败模式——只要 agent 够得着记分牌，它迟早会去改记分牌，而不是老老实实玩游戏。

💡#7

@yume_arasaki
https://x.com/yume_arasaki/status/2076654410051223659
好久没见到这么严谨的 agent 负载本地 vs 云端的拆解了，而且结论挺不合潮流。一张二手 3090，对着 GPT-4o 算两个月回本，对着 Gemini Flash 是十一个月，对着 DeepSeek V4 Flash 得四年多。本地跑 agent 真正的约束不是算力，是 KV 显存：3090 上一个 32B Q4 模型只剩大约 4GB 给 KV cache，一次只够撑一个长 agent 会话。一张 3090 整天就跑一个 agent 循环，没法并行开一队；而 API 能，一个月 28 美元。上两台 DGX Spark 的正当理由不是省钱，是主权。

💡#8

@rl_by_lance
https://x.com/rl_by_lance/status/2076709776688287823
一个很犀利的定义纠正。autoresearch 不是 RL，它是 LLM 引导的黑盒爬山：改代码、跑一个固定预算的 eval、留下有提升的、再来一遍。这么一框，难点在哪就一目了然了。就交易而言，他说突破从来不在 agent，而在于一个狠到没法靠单次回测刷分的评估器。跟所有在做真东西的人结论一样：裁判才是产品。

💡#9

@parweb
https://x.com/parweb/status/2076646776950468639
今天对自我改进叙事最值得引用的一记反驳。循环里的 agent 不会自己变好——它只会更快地重复自己的错误，因为循环外没有任何东西告诉它错了。他把循环跑了好几个小时，描述实际发生的事：循环会把你一开始那份判断力放大，无论好坏。自主性是个乘数，不是质量的来源。

💡#10

@KanikaBK
https://x.com/KanikaBK/status/2076682068638273683
一篇对 Bilevel Autoresearch 论文的解读，两个学生在 Karpathy 的 GPT 预训练 benchmark 上做到了 5 倍提升，没动模型、没加算力、也没人告诉它该修哪。诀窍是：Karpathy 那个循环老回退到 LLM 的先验上，于是他们在上面套了第二个循环，它读内层循环的代码和执行轨迹，找出卡在哪，然后用 Python 写出新的搜索逻辑并实时注入。改坏了会自动回滚。外层循环自己引入了组合优化、多臂老虎机、实验设计里的一堆技巧，全都没人事先指定过。

💡#11

@Peaky8linders
https://x.com/Peaky8linders/status/2076780563717845124
一套能落地的 Karpathy autoresearch 生产形态：便宜的执行者 agent 集群（Qwen、Mistral），由一个强力的规划者加协调者（Fable 5、Opus 4.8）统筹。他说在自己的 AntifragileAI 平台上真实规模下跑得跟丝一样顺。这种分层在毫不相干的团队里反复独立出现，通常这就是一种模式而非偏好的标志。贵的模型做决策，便宜的模型干活。

💡#12

@Ford_Lascari
https://x.com/Ford_Lascari/status/2076799131700326778
把完整的远程算力 autoresearch 形态讲得明明白白：搭一个读数据的 auto research harness，在 runpod 或 daytona 上开 GPU 机器，把实验派给 worker agent，让它们写并跑大规模数据分析代码，然后回报结果。对于有明确成功标准的算法，他做出了实打实的好结果，还想把这套用到公司数据上。而那句附加条件就是整条前沿的所在——明确的成功标准，恰恰是乱糟糟的业务数据没有的东西。

💡#13

@alexxubyte
https://x.com/alexxubyte/status/2076693603439817057
微软 Foundry 是怎么给 8 万多家企业跑 agent 的，两个核心想法都是循环。第一，检索是个子 agent，不是一次性查询：它规划该查哪些来源、评估结果、不好就迭代，迭代次数用完了返回一个结构化的「我不知道」，而不是硬编。第二，一个 eval 加优化的循环，用 rubric 检查行为，失败就触发并行的候选 fix，各自打分，最好的成为新的 agent 版本。他们给出的结论跟今天的整体气氛完全吻合：harness 和模型一样重要。

💡#14

@pratikbin
https://x.com/pratikbin/status/2076702619020697860
Claude 跑 agent 循环，但总得有东西真去执行那些 tool call，他们把两种拥有方式都做了出来。自托管的话，agent 的 bash 跑在你的 CreateOS 沙箱里。或者沙箱即工具，由 Anthropic 托管循环，CreateOS 是 agent 唯一能拿到的工具，没有兜底的 shell——所以每条命令都先过你的代码，你可以记录它、改写它、或者拒掉它。硬件隔离的沙箱各自带独立内核，冷启动大概 0.1 秒，出站流量在内核层强制管控，所以哪怕 agent 被完全攻陷也没法绕过你的白名单往外传数据。

💡#15

@usr_bin_roygbiv
https://x.com/usr_bin_roygbiv/status/2076505031222644858
花了两个月给跑 eval 和 autoresearch 建了个 Kubernetes operator，结果是他现在终于懂了 Prime Intellect 的热度是怎么回事。这就是每张过夜 agent 截图底下那个不光鲜的真相：循环是个周末项目，而能大规模可靠跑循环的基础设施是一个季度。

💡#16

@usr_bin_roygbiv
https://x.com/usr_bin_roygbiv/status/2076776746943480076
在搞嵌套的 autoresearch 循环刷屏，慢慢意识到这玩意其实就是企业管理。好笑，但也是今天最扛事的一条观察。一旦你在一堆 agent 上头架了个主管，你就继承了管理者的所有问题：分派、验证、激励设计，还有那些专挑你爱听的说的人。

💡#17

@sun_hanchi
https://x.com/sun_hanchi/status/2076817662848672192
给要给过夜循环做预算的人一个实数：一个 5.6 Ultra agent 整天跑 auto research 循环，一天烧掉他大约 14% 的额度。他还剩四次 reset，正琢磨拿这几次干嘛。眼下真正卡住大多数人 autoresearch 野心的是速率限制，不是模型质量。

💡#18

@ken_at_em
https://x.com/ken_at_em/status/2076669725879292207
他跑着一个主管，管着 10 到 20 个别的 autoresearch agent，而且很烦那些不给具体例子就对 agent 下大论断的人。有道理。主管统管一队 agent 这种拓扑正在悄悄成为认真做这事的人的默认选择，可几乎没人公布自己那个主管到底在查什么。

💡#19

@hanzheng_7
https://x.com/hanzheng_7/status/2076716310193652045
CORAL，已被 COLM 2026 接收，讲的是自主多 agent 演化——agent 越过僵化的工作流，去协作、组织、积累知识、共同演化。学术界和实践者两拨人正从相反两端汇向同一个问题：不是怎么让单个 agent 更聪明，而是一群 agent 怎么能积累下任何持久的东西。

💡#20

@m13v_
https://x.com/m13v_/status/2076636555507294389
一个没有 eval 循环的自我改进 agent，只会变得更自信，不会变得更对——而 memory 会忠实地把它给自己讲通的那个错误教训存下来。他结尾那句值得记住：measurement 那一层，是没人拍下来的那一小时。每个火出圈的 agent demo 都展示循环在跑，没有一个展示你判断产出到底好不好的那部分。

💡#21

@karolzdeb
https://x.com/karolzdeb/status/2076770462663934210
一个没得到足够重视的失败模式：一个 agent 跑 200 次，某个 tool 悄悄改了输出的形状，agent 就接着在错的结果上继续搭。自我改进继承了那个坏状态，而不是把它抓出来。持久 memory 加自主性意味着，一个早期没被发现的错误不会被纠正，而是被层层累加、最后被奉为正典。

💡#22

@Attilio_D
https://x.com/Attilio_D/status/2076704878320033852
memory 加循环是自我改进 agent 的正确底座，但他落地出来的那条运营规则才是有用的部分：按代码位置严格划分归属，这样并行的 agent 各自的改进是叠加而不是互相抵消。凡是在一个 repo 上跑过好几个 agent 的人，都见过其中两个把对方的活给撤了。归属边界就是那个便宜的解法。

💡#23

@anna_y_zhang
https://x.com/anna_y_zhang/status/2076536467321749917
一个反对把 agent 塞进 Slack 那类界面的论点：那种形态会模糊 AI 会话之间的边界、变得嘈杂，归因也更难追溯，保真度因此丢失。她具体担心的是这会破坏那些依赖回放过往 agent 轨迹的递归自我改进工作流。如果你的循环要从自己的历史里学习，你就担负不起一份乱糟糟的历史。

💡#24

@ZilchfpEng
https://x.com/ZilchfpEng/status/2076654615232233956
今天最平淡也最可复用的循环用例：一个 agent 循环，每周一把派给他的琐碎工作项处理掉，大多是依赖包升级。同样的模式，每次具体细节不同——这恰好是循环能应付、而 cron job 应付不了的形态。他明说了循环不是 cron job，而这个区分正是眼下大多数人搞错的那一个。

💡#25

@tempest11a
https://x.com/tempest11a/status/2076689420825038921
在搭一个 auto research agent 集群，扫论文、跑代码实验、带着 human in the loop 迭代出完整报告。「human in the loop」放在哪是个有意思的选择——大多数人把人放在最后当审稿人，而瓶颈恰恰就是在那形成的。他到底指的是关卡还是审稿人，这就是一个能用的系统和一堆没验证的过夜报告之间的差别。

💡#26

@Code_Nitin
https://x.com/Code_Nitin/status/2076652867772178792
剥掉营销话术，每个 agent 都是一个 while 循环：想、做、观察、再来。他落到一个反直觉的点上：循环根本不知道什么时候该停——停也是一种预测，模型得判定「我已经够回答了」压过「我该再动一次」。给它一个坏的停止信号，它要么半截答案就早退，要么无休止地烧 token。他的说法是：几乎每个「我的 agent 跑飞了」的故事，都是停止条件坏了，不是模型坏了。

💡#27

@bitforth
https://x.com/bitforth/status/2076688365584326707
把一个 agent 丢向一个 repo 说「把这个建出来」很简单；稳定拿到高质量产出是另一门功夫。他列的那些失败模式都是被烧过才学得会的：agent 偏离 spec、做出局部合理但全局错误的改动、过度工程、悄悄削弱测试、重复造已有的抽象，还有因为工作流给的检索和反馈太差而烧掉海量 token。「prompt 很简单」不等于 agent 周围那套系统也简单。

💡#28

@saen_dev
https://x.com/saen_dev/status/2076624287771795607
Sol 在 Claude 的 harness 里表现得比在 Codex 里好，他认为这直接证明了 agent 循环比底层模型更重要。最好的编码环境不是模型最好的那个，而是包在模型外面那层编排做得最好的那个。要是这条成立，模型厂商的护城河就落在一个比谁都没料到的、更古怪的地方。

💡#29

@beeeeeeeegyoshi
https://x.com/beeeeeeeegyoshi/status/2076459601621655682
不拥有 harness，你永远驯不服这摊乱局，甚至搞不清到底发生了什么，而他直言 Claude 和 Codex 都不够透明帮不上忙。他为这个问题烧掉了好几万 fal 额度。这是个学到「黑盒才是瓶颈」的昂贵方式，而一个为这教训真金白银买过单的人，值得听一听。

💡#30

@bygregorr
https://x.com/bygregorr/status/2076640513399165087
面对你看到的每一个 SWE-bench 数字都该问的问题：这 82.7 是套了 agent 循环的脚手架，还是裸的单次过？按他的经验，这两种设置之间的差距，比模型之间的差距还大。不说明 harness 就报出来的 benchmark 数字基本没意义，而几乎没人披露这个。

💡#31

@VibeCoderOfek
https://x.com/VibeCoderOfek/status/2076535136733008324
一个值得当真的逆向观点：大家列的那些 agent 循环模式都很扎实，但它们默认了 agent 循环一开始就是对的抽象。对很多生产任务来说，一个带明确状态转移的简单状态机更可靠、运营起来也更便宜。不是每个问题都需要一个模型来决定下一步干嘛——有些只需要一张能用的流程图。

💡#32

@ImmaginAI
https://x.com/ImmaginAI/status/2076698236908089814
两句话讲透循环设计纪律：定义成功、重试上限、升级规则，加一道最终的证据检查。值得裱起来的那句——一个创意 agent 应该在成品通过 brief 之后停，而不是在 token 预算感觉累了之后停。今天大多数循环停在第二个理由上，主人却把它描述成第一个。

💡#33

@phahad0
https://x.com/phahad0/status/2076630183218446429
一个关于词汇的有用抱怨：有人管 cron 叫循环，管一个起出来的 review agent 叫循环，管用来评估的子 agent 也叫循环。这个词现在混淆了好几个不相干的概念，害得你很难判断某人的「agent loop」到底是真正的反馈闭环，还是个换了个好名字的定时脚本。这周你再看到有人声称在跑循环，就问反馈信号是什么。要是没有，那就是个 cron job。

💡#34

@TeksCreate
https://x.com/TeksCreate/status/2076733571683717520
learn-claude-code，一个从零搭起来教你编码 agent 到底怎么运作的纳米级 agent harness，不到两周冲到 70K 星。它的论点是眼下模型 vs harness 之争里最干净的一种框法：agency 来自模型训练，不来自外部代码编排，但一个能用的 agent 产品两者都需要——模型是司机，harness 是车。它从 Atari 上的 DQN、OpenAI Five 一路讲到今天的编码 agent，梳理学得的 agency 这段历史，然后逼你用 Python 亲手搭一个自己的 harness。

💡#35

@HowToPrompt__
https://x.com/HowToPrompt__/status/2076689880026096089
一个开源、隐私优先的 Chromium 分支，把 agent 循环直接烧进了浏览器进程本身：53 个以上用自然语言驱动的浏览器自动化工具、一个内置 MCP server 让你能从 Claude Code 或 Gemini CLI 驱动它、能按小时或按天跑 agent 的定时任务、还有一个 cowork 模式让 agent 在同一个任务里读网页并写你的本地文件。自带 Claude/GPT/Gemini 的 key，或者本地跑 Ollama。最锋利的是那个结构性论点：Chrome 压根没法出这东西，因为那等于跟自己的广告生意打架。

💡#36

@prodhi_code
https://x.com/prodhi_code/status/2076648597865513464
他做了个本地代理，把 Claude Code 路由到 ChatGPT，给那些喜欢 Claude Code 的 agent 循环、只想把底下的模型换掉的人用。工作流留着，锁定甩掉。这就是当 harness 变成人们效忠的产品、模型变成可替换零件时的样子。

💡#37

@risingtidesdev
https://x.com/risingtidesdev/status/2076541916447948844
用纯 Rust 把 pi 的 agent 循环重写了一遍，零 Node.js 开销。小项目，但它是个信号，指向 agent 技术栈的走向：一旦人们开始全天候跑循环，harness 的运行时开销就不再是个可忽略的零头，而开始变成电费账单。

📡 生态产品雷达

生态产品雷达

Claude Code、Codex，以及 Claude harness 整体——「harness 胜过模型」这个论点反复指向的对象，也是人们做代理、做分支想保住、同时把底下模型换掉的那个东西。
Fable 5 和 GPT-5.6 Sol——人们真正放进规划者位置的两个模型；5.6 的 autoresearch 首秀是今天的头条，Fable 5 则是分层集群里的默认协调者。
Karpathy's Autoresearch——依旧是所有人拿来对标的参考实现，本周被 Bilevel Autoresearch 以及 autoresearch-at-home 类项目进一步延伸。
Hermes——被反复点名，是人们做 auto research 时会拾起的替代 harness。
MCP——几乎每个被描述的循环里的连接组织，如今正被直接嵌进浏览器。
Ollama 和本地开源权重模型（Qwen、Mistral、GLM）——规划者-执行者模式里那个便宜的执行层，也是本地 vs API 经济账争论的中心。

← 上一篇

超级用户日报: 2026年7月15日

灵感雷达: 2026年7月15日

← 返回所有文章

加载中...

Loop 日报: 2026年7月15日

相关文章

评论