Loop 日报: 2026-09-26

@fradamt
https://x.com/fradamt/status/2103501375279706556
一位以太坊研究员拿出了一个经过形式化验证的「解耦共识协议」提案，目标是让最终确定性快 4 到 8 倍，过程是 agent 搭配 Lean 模型完成的。循环不是「先设计再验证」，而是「设计、形式化、精确找到哪里崩以及为什么、再重新设计」。以太坊要求大部分质押离线时仍能运行，所以正确性远不止常规的安全性和活性，这些细微的性质现在都交给 Lean 内核去检查。他的关键观察是：形式化模型会逼着 agent 变精确，也让它们能自己做出可验证的进展，自己找漏洞、自己提协议修改。这是验证者是证明检查器的 autoresearch，最硬的一种版本。

@nirvaan_rohira
https://x.com/nirvaan_rohira/status/2103175477661712740
一位顾问盯着客户的 agent 循环看了六个小时：第 4 步一直超时，agent 重试，还是超时，然后照样往下走。等被发现时，它已经花了 340 美元 API 费用、写了 200 条不完整的记录、发出去 47 封邮件，而且全程没有一次大声报错。他配了一组调研数字：74% 的组织相信自己的测试能抓到 agent 故障，但只有 19% 有能真正拦下坏版本的自动闸门。他的建议是所有清单里最便宜的那条：在加任何东西之前，先给 agent 的变更加一个灰度或阻断闸门。

@CodeSolutionsIL
https://x.com/CodeSolutionsIL/status/2103159213169983568
一篇 Mandiant《2026 AI 风险与韧性报告》的摘要，列出了 agent 系统实际上是怎么被攻击的：编程助手被劫持、推荐一个投毒的包，蠕虫随后扩散到大约 100 个内部仓库；有 GitHub 权限的助手被骗把私有代码复制到攻击者的仓库；插件和 CLI hook 被篡改后变成远程代码执行；还有一个失控的 agent 循环不到一小时烧掉约 5 万美元云费用。给出的控制措施很具体：AI 推荐的包要过白名单和校验和，把助手和 MCP 服务器当特权会话对待，用短期凭证，限制花费和递归深度，并且永远不要让同一个 agent 同时拥有私有数据、不可信输入和对外访问。

@creus_roger
https://x.com/creus_roger/status/2102963522132955439
一位在 NetHack 上跑 auto-research 项目的研究者，这周的额度和重置次数全部用光了，目前最好分数 28.5 万，BALROG 最好成绩 71%。NetHack 是最难的长程游戏基准之一，自动研究循环能把它推到这个位置是实打实的信号。他的抱怨本身也是信号：让循环停下来的是算力预算，而不是点子。

@nickvernij
https://x.com/nickvernij/status/2103057651647029711
一个团队发布了 masker 和 masker-mini 的新版本，这是跑在设备端的个人信息脱敏模型，所有语言的严格 F1 都有提升，他们说已经超过了其他端侧脱敏模型。两个模型都是在他们自己的 autoresearch 平台上端到端训练出来的，全程没有人参与。小而专、指标清晰的模型，正是全自动研究循环已经能在生产里回本的地方。

@Rafa_Schwinger
https://x.com/Rafa_Schwinger/status/2102769639407140892
一位开发者在 M5 上给一个扩散模型出图流程自己写了 Metal 实现，结果发现 MLX 只跑到了最优速度的 50% 左右。他的结论很直接：AI 之前的那批框架，在 autoresearch 面前输得很惨。针对特定硬件的算子，是优化循环的教科书场景：只有一个文件要改，只有一个数字要看。

@StarkWareLtd
https://x.com/StarkWareLtd/status/2103137686655545713
抗量子比特币 Autoresearch 挑战的更新：第一周把一笔抗量子安全比特币交易的成本压低了 79%，第二周起基线重置为第一周末的最好成绩，只有新的改进才算数。第二、三周前三名分 1.2 万美元，另有 6000 美元抽奖给改进至少 3% 的参与者。重置基线是针对「agent 大量参赛」的聪明设计：防止大家反复刷早期容易拿的分，逼着循环去开新地盘。

@pauliusztin_
https://x.com/pauliusztin_/status/2103462022793076746
花了几个月从零写一个编程 agent 之后，这位开发者公开了技术栈：Pydantic AI 负责一个刻意保持简单的 agent 循环，harness 自己在上面搭；模型用 Gemini 和 OpenRouter，再在 Modal 上用 SGLang 把 Qwen 部署到 H200；本地用 seatbelt 或 bubblewrap 隔离，要更强隔离就进 Modal 沙箱；Opik 做追踪和评测；部署用 Modal serverless，可以从命令行、webhook 或定时任务并行起 N 个 agent。最亮的一块是 Kitaru：录下一次 agent 运行，然后换模型或换提示词重放，同时复用原来的工具输出。冻结工具输出再重放，是把一个不稳定的循环变成能真正做 A/B 测试的东西的办法。

@Secondmindsys
https://x.com/Secondmindsys/status/2102791376228212924
一个关于「递归自我改进什么时候才算数」的精准说法。能提出修改、测试、保留得分更高者的 autoresearch 循环，本身已经是一种递归改进。难的是判断分数反映的是真进步还是钻了测试的空子，然后在不损失其他能力、不削弱「评判未来修改」这套流程的前提下把改动吸收进来。他的原话：当一个系统能可靠地决定什么值得被继承时，RSI 才真正变得有分量。

@audiee_ai
https://x.com/audiee_ai/status/2102961820516413577
给自建 harness 用户的一条实用警告：Opus 5.5 比 Opus 5 便宜，但放进现有的 agent 循环里可能直接报 400。思考模式常开、不能关，强制 tool_choice 没了，computer use 必须迁到 computer_toolset_20260801，思考块只能追加不能改。用 Managed Agents 的只是模型改个名；其他人换模型 ID 之前最好先读迁移指南。降价会吸引大家升级，而出问题的地方正是循环本身。

@efeduduu
https://x.com/efeduduu/status/2102887551199596756
同一个 agent 循环，换了新模型：旧的工具类型开始报错，直到把 toolset ID 换掉才好。他的体会是：真正的杠杆在于把交接修好，而不是再加一个功能。一句话的实战报告，在生产环境里印证了上面那条迁移警告。

@itsnikoveil
https://x.com/itsnikoveil/status/2103207431128166873
关于 Anthropic 新的「拦截也收费」安全策略：「前沿大模型开发」是三个收费类别之一，所以只要你的仓库在做训练或微调，就落在这个范围里。0.1% 的误报率听起来很小，直到一个 agent 循环每天发出几千个请求。会训练模型的 autoresearch 循环，恰好是这条政策最常碰到的那类工作负载。

@jdegoes
https://x.com/jdegoes/status/2103221937623253095
关于快速决策模型对 agent 框架意味着什么的一个强观点：一旦你手里有了多种专用模型，包括只输出一个数而不是一段文字的分类器，agent 的架构也必须专门化，这就需要一个灵活的 agent 循环。用 YAML 或 JSON 属性来描述 agent 的框架表达不了这个。他的预测：所有好的 agent 框架都会进化成代码优先，剩下的一年内消失。

@therotobo
https://x.com/therotobo/status/2103333527182082505
在一场关于 AI 能不能做药物研究的争论里，这位用户认为它更像搜索而不是模拟：AI 起草实验，机器人用真实的分子和培养皿去做，AI 读结果再提下一轮。你不需要把整个生物学建模出来，你需要的是一串能达成目标的实验，这是一个 RL 形状的问题。湿实验室里的 autoresearch，是稀缺数据被生产出来的地方，而不是被消耗的地方。

@blingdivinity
https://x.com/blingdivinity/status/2103047072379289811
autoresearch 的边界情形：想象给一个 agent 一个循环，让它做出最好的待办清单 App。它会失败，因为这里的「好」由用户体验决定，没有一个循环能往上爬的指标。整套方法依赖「可编辑的产物加上可测量的数字」，而品味恰恰是没有数字的那部分。

@neil_xbt
https://x.com/neil_xbt/status/2102944608955294032
一份 agent 循环内部「决策」的成本账：一次路由判断，用决策模型是 0.00013 美元，用 Grok 4.7 是 0.0069 美元，用前沿模型是 0.0375 美元。一天 3000 次决策，同样的活分别是 39 美分、20.7 美元和 112.5 美元。剩下的由那些不是模型的墙来兜底：请求上限、用 Python 算账、上下文压缩、锁定版本。值得带走的一句话：别花钱请一个写手来做决定。

@ShashTagZero
https://x.com/ShashTagZero/status/2103034943526085107
一条关于 agent 循环里工具闸门的清晰规则：读接口可以高并发、发完不管，但一个没有闸门的 POST 或 DELETE，会把一次提示词幻觉变成悄无声息的数据损坏。他的追问也很关键：你是按 schema 校验参数，还是靠正则？在自由文本上靠正则把关，正是大多数自研 harness 失守的方式。

@amn_baluni
https://x.com/amn_baluni/status/2103370162921451540
判断你的 agent 循环是不是在演戏的三个信号：它从来不问写入落在了哪个区域；返回 200 就当成功，哪怕返回体是个错误页；它说不出是哪次提交引发了重试风暴。每一条都是一个缺失的观测，每一条都直接对应一类真实事故。在放心让任何循环过夜跑之前，拿这张清单过一遍很值。

@techie_sandy
https://x.com/techie_sandy/status/2103347712368525703
一位在做「支持几千个并发会话的 agent 平台」的工程师把它拆成四块：编排器每一步都把状态存进 Redis，pod 挂了能接着跑而不是从头来；规划器输出结构化计划，编排器执行前可以先校验；步数预算器原子地统计步数、token 和真实时间；工具注册表存 schema 和每个会话的权限范围。他特别点名的是预算器：就是它，让你免于凌晨三点一个 agent 循环 400 次烧你的 API 账单。

@kentimsit
https://x.com/kentimsit/status/2103446416807137506
站在 2026 年底回看，这位用户认为 OpenClaw 对 agent 设计的影响怎么说都不过分：agent 循环、记忆文档、常驻的专属电脑、自己管理的技能目录，如今都成了通用模式。在他看来，Nous 的 Hermes Agent 和 Meta 的 Muse 把这些做得比谁都更有品味。循环架构正在收敛，差异化正在转向打磨和分发。

@Norwakar
https://x.com/Norwakar/status/2102721766053351807
缓存输入是 agent 成本里大家都忽略的那一行：任何反复重读同一段上下文的工作负载，DeepSeek 都占优，而这基本就是每一个 agent 循环。一旦你的 harness 能把上下文复用好，按标价比较就失效了。对长循环来说，缓存读取价才是真正的价格。

@prodsystems_
https://x.com/prodsystems_/status/2103253932084466145
关于往 agent 循环里接托管搜索的一个细节：外接一个搜索 API，就把一致性边界从你自己的索引挪到了对方爬虫当天的新鲜度上。对那些要跨时间比较运行结果的研究循环来说，这意味着环境本身在两次迭代之间就在漂移，悄悄地破坏了可复现性。

@ayushthought
https://x.com/ayushthought/status/2102571072667406732
在回复 Boris Cherny 的形式化验证工作时，这位用户说到了循环层面：出问题的很少是模型本身，而是状态、重试、两个工具调用同时抢同一个东西。把 TLA+ 用在 agent 循环本身上很有道理，他还追问 Lean 有没有抓到 TLA+ 漏掉的问题。形式化方法正在从产品代码挪到 harness 上。

@TraTTow_br
https://x.com/TraTTow_br/status/2103205349285048333
一位开发者在发布密集周的观察：agent 编程变便宜了。Opus 5.5 的缓存读取降到每百万 token 0.2 美元，比 Opus 5 低 60%；GPT-6 Luna 输入 0.1、输出 0.5 美元。他的结论会改变循环的设计：他的 agent 循环里大部分步骤，已经根本不需要前沿模型了。

@TomasMann1878
https://x.com/TomasMann1878/status/2103439386855530981
这位用户说，让本地模型通宵跑是一次巨大的解锁：autoresearch 很轻松，用 27B 的 Qwen 写代码没问题，生图更是小菜。他的建议很老派：买张显卡。随着前沿模型的额度收紧、重置次数被限量，本地通宵循环正在成为想不看计费表就能反复迭代的人的默认选择。

@ironseth_s
https://x.com/ironseth_s/status/2103202528443920753
在一条讲大额悬赏难题的帖子下，这位用户说自己把自制的 autoresearch 循环对准了其中一道题。还没解出来，但用他的话说：如果 agent 没在骗我，我们正在接近答案。这句保留意见正是现状最诚实的描述：循环跑得起来，悬而未决的是它的进度汇报能不能信。

@Yim0e
https://x.com/Yim0e/status/2103369417149255782
一个小小的独立项目：这位用户在用 auto-research 的方式做篮球数据分析，用模型搭网站、追他自己关心的指标，到目前为止还没有一个超过公开已有的数据。没有自己的算力，循环就一直在消耗订阅额度。这是业余 autoresearch 的真实写照：方法放哪都能用，预算不行。

@dangreenheck
https://x.com/dangreenheck/status/2103505503913402500
一位正在逐步退出素材销售和咨询业务的 Three.js 开发者，在考虑做一款完整的游戏。在最新一代前沿模型出现之前，他并不觉得这件事可能，因为有些必需的技能他并不具备。他希望一个更大的项目能让他走出「agent 循环地狱」，重新去思考更大的系统。这点出了一种真实的疲惫：当每个小时都花在照看循环上时，工作的尺度就缩小到了一个循环能装下的大小。

@bendee983
https://x.com/bendee983/status/2103151828405768644
一个关于 AI 编程经济走向的类比：加工食品与有机食品。token 越来越便宜，很多公司会把预算花在编程 agent 上而不是优秀工程师身上，接受能跑但粗糙的代码，再多烧 token 让 agent 循环自己审查、自己纠错。富有的公司则会为人类工程师支付溢价，一是为了拿到更好的结果，二是为了在人参与的循环里产出高质量训练数据。人工审查，变成了那张「有机」标签。