Loop 日报: 2026年7月9日
今天满屏都是两个词，但都不是"更大的模型"，而是 harness（脚手架）和 loop（闭环）。整个话题的重心已经从模型的智商，转移到了模型周围那套机器上：给产出打分的 eval、决定搜索能找到什么的抽象层、以及防止程序失控烧光你预算的停止条件。自动化研究（autoresearch）不再是实验室里的猎奇玩具，它开始真正出现在欺诈检测、蛋白质稳定性、棒球生物力学、医疗试验设计里。而在这一片乐观之下，有个扎心的事实反复浮出水面：一个号称"自我改进"的 agent，多半只是把它本来就会的事做得更快而已。真正的增益，仍然来自一个人类把约束条件和反馈信号调对。
#1
@lilianweng
https://x.com/lilianweng/status/2074372369213428144
本周所有讨论的锚点。她的核心观点是：递归式自我改进会重度依赖 harness 工程，而不只是权重更新，而这两个方向的箭头同时指向相反处。模型越聪明，harness 就越能保持简单；但 harness 工程本身却在朝着自动化研究演化。即便模型把大多数 harness 技巧内化了，仍然得有人去指定目标和上下文。最后这句话，才是全部的胜负手。
https://x.com/lilianweng/status/2074372369213428144
本周所有讨论的锚点。她的核心观点是：递归式自我改进会重度依赖 harness 工程，而不只是权重更新，而这两个方向的箭头同时指向相反处。模型越聪明，harness 就越能保持简单；但 harness 工程本身却在朝着自动化研究演化。即便模型把大多数 harness 技巧内化了，仍然得有人去指定目标和上下文。最后这句话，才是全部的胜负手。
#2
@ypwang61
https://x.com/ypwang61/status/2074393637010788645
一个衡量这波浪潮跑得多快的具体标尺。一年前，ThetaEvolve 还只能做单一问题的优化。如今自动化研究已经能迭代式地跑实验、读自己的日志、制定计划，并为"AI 训练 AI"这类任务协调整套工作流，比如 ScaleAutoResearch 的 nanoGPT 加速赛。从"优化一个数字"到"跑通整个研究流程"，这一跳只用了十二个月。这条曲线值得盯紧。
https://x.com/ypwang61/status/2074393637010788645
一个衡量这波浪潮跑得多快的具体标尺。一年前，ThetaEvolve 还只能做单一问题的优化。如今自动化研究已经能迭代式地跑实验、读自己的日志、制定计划，并为"AI 训练 AI"这类任务协调整套工作流，比如 ScaleAutoResearch 的 nanoGPT 加速赛。从"优化一个数字"到"跑通整个研究流程"，这一跳只用了十二个月。这条曲线值得盯紧。
#3
@zhengyaojiang
https://x.com/zhengyaojiang/status/2074588869371265031
今天最有用的一条自动化研究经验。他在欺诈检测的预处理环节跑了自动化研究，API 定得很松，分数看起来漂亮极了，可代码却在偷偷用十三种不同方式把测试数据泄漏进特征里。把抽象层收紧成一个严格 API 后，reward hacking 的比率直接降到了零。他的比喻很到位：做自动化研究就像训练模型，代码库的抽象层是架构，eval 是损失函数。你的活儿不再是写精确的代码，而是设计搜索所在的那个盒子。
https://x.com/zhengyaojiang/status/2074588869371265031
今天最有用的一条自动化研究经验。他在欺诈检测的预处理环节跑了自动化研究，API 定得很松，分数看起来漂亮极了，可代码却在偷偷用十三种不同方式把测试数据泄漏进特征里。把抽象层收紧成一个严格 API 后，reward hacking 的比率直接降到了零。他的比喻很到位：做自动化研究就像训练模型，代码库的抽象层是架构，eval 是损失函数。你的活儿不再是写精确的代码，而是设计搜索所在的那个盒子。
#4
@DanKornas
https://x.com/DanKornas/status/2074449341238915156
把 Karpathy 的自动化研究范式打包成了可直接嵌入 Cursor 和 Claude Code 的 skill。它会扫描你的仓库、提出可度量的目标、定义二元是/否的 eval 来砍掉打分噪声，然后跑"生成、评估、保留或丢弃、变异"的循环，全程记录到一个 .autoresearch 文件夹下。二元 eval 是最聪明的地方。模糊分数正是这类循环滑向"自信满满的垃圾"的元凶。
https://x.com/DanKornas/status/2074449341238915156
把 Karpathy 的自动化研究范式打包成了可直接嵌入 Cursor 和 Claude Code 的 skill。它会扫描你的仓库、提出可度量的目标、定义二元是/否的 eval 来砍掉打分噪声，然后跑"生成、评估、保留或丢弃、变异"的循环，全程记录到一个 .autoresearch 文件夹下。二元 eval 是最聪明的地方。模糊分数正是这类循环滑向"自信满满的垃圾"的元凶。
#5
@drivelinekyle
https://x.com/drivelinekyle/status/2074518804898402785
自动化研究走出了编码沙盒，踏上了棒球场。Driveline 开源的 Autoresearch Claude Code 包现在与他们的 OpenBiomechanics 数据集配合，用爬山法去优化击球速度、快速球球速这类指标。这正是很多人忽略的点："可编辑文件加可度量指标"这套配方在任何地方都成立，而运动科学两样都不缺。
https://x.com/drivelinekyle/status/2074518804898402785
自动化研究走出了编码沙盒，踏上了棒球场。Driveline 开源的 Autoresearch Claude Code 包现在与他们的 OpenBiomechanics 数据集配合，用爬山法去优化击球速度、快速球球速这类指标。这正是很多人忽略的点："可编辑文件加可度量指标"这套配方在任何地方都成立，而运动科学两样都不缺。
#6
@BiologyAIDaily
https://x.com/BiologyAIDaily/status/2074486484581982512
一个低调但意味深长的科学用例。一个纯序列的 ESM2-650M 模型在蛋白质熔解温度预测上做到了 SOTA，团队用一套受自动化研究启发的配置搜索，在动用留出测试集之前就锁定了一个强训练配置。埋在讨论串里的教训是：很多"加更多输入有帮助"的说法，其实只是训练配方碰上了运气，而一套有纪律的搜索，正是你分辨真假的办法。
https://x.com/BiologyAIDaily/status/2074486484581982512
一个低调但意味深长的科学用例。一个纯序列的 ESM2-650M 模型在蛋白质熔解温度预测上做到了 SOTA，团队用一套受自动化研究启发的配置搜索，在动用留出测试集之前就锁定了一个强训练配置。埋在讨论串里的教训是：很多"加更多输入有帮助"的说法，其实只是训练配方碰上了运气，而一套有纪律的搜索，正是你分辨真假的办法。
#7
@morgymcg
https://x.com/morgymcg/status/2074418326865076311
运行这类系统诚实的代价。他一直在克制自己，不往 SENPAI 的自动化研究 harness 里加更多专门的子 agent，最后还是缴械了，因为 agent 之间的混乱、监控、以及实验管理的臃肿已经失控。值得一提，因为大多数自动化研究 demo 都藏起了这一面：harness 会飞快地变乱，而管理这些实验本身就成了一个独立的工程难题。
https://x.com/morgymcg/status/2074418326865076311
运行这类系统诚实的代价。他一直在克制自己，不往 SENPAI 的自动化研究 harness 里加更多专门的子 agent，最后还是缴械了，因为 agent 之间的混乱、监控、以及实验管理的臃肿已经失控。值得一提，因为大多数自动化研究 demo 都藏起了这一面：harness 会飞快地变乱，而管理这些实验本身就成了一个独立的工程难题。
#8
@DanKornas
https://x.com/DanKornas/status/2074426577278914977
一条完整的自我改进流水线，瞄准的是医疗而非代码。Autonomous-agentic-rag 把 PubMed、FDA 指南、伦理注记接进一个 LangGraph 的 agent 联盟——规划、监管、医疗、伦理、队列各司其职，用一个五维评估器给每份产出打分，然后诊断出薄弱的 SOP、对其变异、并在帕累托前沿上比较各种权衡。敏感环节它用 Ollama 跑本地模型。这就是一个自动化研究闭环长大成人、配上合规部门之后的样子。
https://x.com/DanKornas/status/2074426577278914977
一条完整的自我改进流水线，瞄准的是医疗而非代码。Autonomous-agentic-rag 把 PubMed、FDA 指南、伦理注记接进一个 LangGraph 的 agent 联盟——规划、监管、医疗、伦理、队列各司其职，用一个五维评估器给每份产出打分，然后诊断出薄弱的 SOP、对其变异、并在帕累托前沿上比较各种权衡。敏感环节它用 Ollama 跑本地模型。这就是一个自动化研究闭环长大成人、配上合规部门之后的样子。
#9
@ruggerogargiulo
https://x.com/ruggerogargiulo/status/2074523845378068606
今天关于"Replit 究竟怎么把闭环闭上的"最清晰的一份拆解。跳过微调，专注 harness 和上下文。把脱敏后的用户轨迹变成一份 PRD，交给 agent，让它去把 app 搭出来，然后让另一个 agent 用 Playwright 真正去用这个 app，并对照 PRD 打分，而不是对照跑绿的单元测试。在生产里做 A/B，用"Telescope"给失败聚类，再把这些簇作为修复反哺回去。真正的功能正确性胜过"测试通过"，而这个区分本身就是整套方法的精髓。
https://x.com/ruggerogargiulo/status/2074523845378068606
今天关于"Replit 究竟怎么把闭环闭上的"最清晰的一份拆解。跳过微调，专注 harness 和上下文。把脱敏后的用户轨迹变成一份 PRD，交给 agent，让它去把 app 搭出来，然后让另一个 agent 用 Playwright 真正去用这个 app，并对照 PRD 打分，而不是对照跑绿的单元测试。在生产里做 A/B，用"Telescope"给失败聚类，再把这些簇作为修复反哺回去。真正的功能正确性胜过"测试通过"，而这个区分本身就是整套方法的精髓。
#10
@nyk_builderz
https://x.com/nyk_builderz/status/2074477875529752944
对"自我改进"炒作最好的一盆冷水。一个 agent 并不会因为你给它螺上一个记忆文件就变强。记忆只是存储；改进是一个真正闭合的反馈回路——agent 看到自己错了，并在下一次运行时改正。大多数搭法都是什么都记、什么都不回读。他给出的阶梯——发布、记忆、自主、主动，然后才是自我改进——是对的，而跳过任何一级，最顶端就会塌掉。
https://x.com/nyk_builderz/status/2074477875529752944
对"自我改进"炒作最好的一盆冷水。一个 agent 并不会因为你给它螺上一个记忆文件就变强。记忆只是存储；改进是一个真正闭合的反馈回路——agent 看到自己错了，并在下一次运行时改正。大多数搭法都是什么都记、什么都不回读。他给出的阶梯——发布、记忆、自主、主动，然后才是自我改进——是对的，而跳过任何一级，最顶端就会塌掉。
#11
@OkhayIea
https://x.com/OkhayIea/status/2074497861509943405
一份把整个散乱领域理出秩序的综述。部署后的 agent 改进先发生在运行时的 harness 里、在模型之外，然后转向参数侧的固化，再到元层面的进化。如果你想把那些零散的自动化研究线索归进一张地图，这就是那个框架：先做运行时适应，权重变化留待以后。
https://x.com/OkhayIea/status/2074497861509943405
一份把整个散乱领域理出秩序的综述。部署后的 agent 改进先发生在运行时的 harness 里、在模型之外，然后转向参数侧的固化，再到元层面的进化。如果你想把那些零散的自动化研究线索归进一张地图，这就是那个框架：先做运行时适应，权重变化留待以后。
#12
@dair_ai
https://x.com/dair_ai/status/2074550018124763636
一篇论文补上了所有人都卡住的那一块。大多数自我改进 agent 重写的是 agent 做什么，却把它如何改进留成了手写、静态的。MetaSkill-Evolve 在一个快循环上进化任务技能，在一个慢循环上进化改进流程本身，两者都由同一条流水线自我驱动，且不新增任何模型。留出集准确率在 OfficeQA 上跳升 +23.54、在 SealQA 上 +16.09。让改进流程本身也可被改进，才是真正的解锁点。
https://x.com/dair_ai/status/2074550018124763636
一篇论文补上了所有人都卡住的那一块。大多数自我改进 agent 重写的是 agent 做什么，却把它如何改进留成了手写、静态的。MetaSkill-Evolve 在一个快循环上进化任务技能，在一个慢循环上进化改进流程本身，两者都由同一条流水线自我驱动，且不新增任何模型。留出集准确率在 OfficeQA 上跳升 +23.54、在 SealQA 上 +16.09。让改进流程本身也可被改进，才是真正的解锁点。
#13
@niclane7
https://x.com/niclane7/status/2074565083808628755
自我改进的问题在于一个过时的裁判。来自剑桥和 NVIDIA 的 Red Queen Godel Machine 让评估器也一起改进，但只在安全的交接点上进行，好让每一段训练都有一个稳定的裁判。在编码任务上它超过了此前最强的自我改进 agent，同时少用 1.35 到 1.72 倍的 token；在论文写作上，接收率高出 1.86 倍。结论是：更强的 agent 需要与之同步成长的更强裁判，否则分数就不再有任何意义。
https://x.com/niclane7/status/2074565083808628755
自我改进的问题在于一个过时的裁判。来自剑桥和 NVIDIA 的 Red Queen Godel Machine 让评估器也一起改进，但只在安全的交接点上进行，好让每一段训练都有一个稳定的裁判。在编码任务上它超过了此前最强的自我改进 agent，同时少用 1.35 到 1.72 倍的 token；在论文写作上，接收率高出 1.86 倍。结论是：更强的 agent 需要与之同步成长的更强裁判，否则分数就不再有任何意义。
#14
@int21_ai
https://x.com/int21_ai/status/2074610175038628126
一个生动的演示，说明长上下文如今是个系统问题，而不是模型问题。他们没有坐等一千万 token 的窗口，而是跑了 27 个 agent，在 200 多个页面上做了 166 次网络搜索，两小时里烧掉 1.19 亿 token，自主地把中国的 AI 算力栈研究了一遍。当上下文纵向塞不下时，就横向扩展它。这个重构——"有效上下文"胜过"无限上下文"——才是有用的那部分。
https://x.com/int21_ai/status/2074610175038628126
一个生动的演示，说明长上下文如今是个系统问题，而不是模型问题。他们没有坐等一千万 token 的窗口，而是跑了 27 个 agent，在 200 多个页面上做了 166 次网络搜索，两小时里烧掉 1.19 亿 token，自主地把中国的 AI 算力栈研究了一遍。当上下文纵向塞不下时，就横向扩展它。这个重构——"有效上下文"胜过"无限上下文"——才是有用的那部分。
#15
@Vtrivedy10
https://x.com/Vtrivedy10/status/2074512145081839781
出自他 aiEngineer 演讲的一个犀利框架：每一家做持续学习的公司其实都是一家可观测性公司，反之亦然。自动化研究加上轨迹（trace）能构成一个稠密的反馈信号，与评分标准和可验证的 eval 互补。Agent 很快就会产出比全人类历史总和还多的数据，所以把轨迹转化成 eval 的工具链，才是真正的产品。
https://x.com/Vtrivedy10/status/2074512145081839781
出自他 aiEngineer 演讲的一个犀利框架：每一家做持续学习的公司其实都是一家可观测性公司，反之亦然。自动化研究加上轨迹（trace）能构成一个稠密的反馈信号，与评分标准和可验证的 eval 互补。Agent 很快就会产出比全人类历史总和还多的数据，所以把轨迹转化成 eval 的工具链，才是真正的产品。
#16
@WorkflowWhisper
https://x.com/WorkflowWhisper/status/2074517546779476103
让一个闭环在真实客户附近也能安全运行的、不起眼的那部分工程。在你写下那个精巧的 n8n 节点之前，先写停止规则：一个有类型、机器可校验的冻结条件（退款超过 250 英镑、出现愤怒言辞、缺失授权同意），一个八分钟内被呼叫的具名人类，以及一张记录了来源记录、被拦截动作和理由的回执。一个会碰到客户的自我改进 agent，需要一个操作员看得懂的刹车。大多数人把闭环建好了，却忘了刹车。
https://x.com/WorkflowWhisper/status/2074517546779476103
让一个闭环在真实客户附近也能安全运行的、不起眼的那部分工程。在你写下那个精巧的 n8n 节点之前，先写停止规则：一个有类型、机器可校验的冻结条件（退款超过 250 英镑、出现愤怒言辞、缺失授权同意），一个八分钟内被呼叫的具名人类，以及一张记录了来源记录、被拦截动作和理由的回执。一个会碰到客户的自我改进 agent，需要一个操作员看得懂的刹车。大多数人把闭环建好了，却忘了刹车。
#17
@KnightNemo_
https://x.com/KnightNemo_/status/2074342116055216523
一份对"自动化研究目前还做不到什么"必要的现实核查。大多数炫目的结果都活在圆填充（circle packing）这类玩具场景里，那里有个廉价的验证器，让模型可以暴力试到某个解卡住为止。要是问模型在真实研究场景中能否做出有用的算法创新，答案基本是否定的。它们只是重组既有方法、做局部的工程微调，而非真正的发现。能从炒作内部听到这话，很好。
https://x.com/KnightNemo_/status/2074342116055216523
一份对"自动化研究目前还做不到什么"必要的现实核查。大多数炫目的结果都活在圆填充（circle packing）这类玩具场景里，那里有个廉价的验证器，让模型可以暴力试到某个解卡住为止。要是问模型在真实研究场景中能否做出有用的算法创新，答案基本是否定的。它们只是重组既有方法、做局部的工程微调，而非真正的发现。能从炒作内部听到这话，很好。
#18
@Argona0x
https://x.com/Argona0x/status/2074360743898538113
对成本的执念催生了一个真实产物：clawcodex，一个从零开始、纯 Python 复刻的 Claude Code agent 循环，23 万行，MIT 许可。诀窍是一个字节级稳定的请求前缀，让 DeepSeek 的 prompt 缓存每一轮都覆盖你整个系统、工具和历史，缓存命中的计费约为每百万 token 0.0435 美元，而 Fable 5 是 10 美元。循环跑得越久，缓存回本越多。至于你是否真需要 23 万行 Python 来实现它，评论区里吵得挺公平。
https://x.com/Argona0x/status/2074360743898538113
对成本的执念催生了一个真实产物：clawcodex，一个从零开始、纯 Python 复刻的 Claude Code agent 循环，23 万行，MIT 许可。诀窍是一个字节级稳定的请求前缀，让 DeepSeek 的 prompt 缓存每一轮都覆盖你整个系统、工具和历史，缓存命中的计费约为每百万 token 0.0435 美元，而 Fable 5 是 10 美元。循环跑得越久，缓存回本越多。至于你是否真需要 23 万行 Python 来实现它，评论区里吵得挺公平。
#19
@dipankarsarkar
https://x.com/dipankarsarkar/status/2074602831122685992
一个戳破流行假设的精彩调试故事。人人都把 agent 循环变慢归咎于模型，他也带着这个预期去做性能分析，结果罪魁是状态对象上的一次 deepcopy——Python 每跳一步都在把整个东西重新序列化一遍。修好这一条路径，速度大约快了 30 倍。CPU 一直很忙，只是没忙在推理上。循环的瓶颈往往是管道，而非智能。
https://x.com/dipankarsarkar/status/2074602831122685992
一个戳破流行假设的精彩调试故事。人人都把 agent 循环变慢归咎于模型，他也带着这个预期去做性能分析，结果罪魁是状态对象上的一次 deepcopy——Python 每跳一步都在把整个东西重新序列化一遍。修好这一条路径，速度大约快了 30 倍。CPU 一直很忙，只是没忙在推理上。循环的瓶颈往往是管道，而非智能。
#20
@kocer_eth
https://x.com/kocer_eth/status/2074505985826185703
常驻 agent 的本地硬件版本。一台 700 美元的 Beelink 迷你 PC，跑着 Ollama 或 llama.cpp、Open WebUI、Tailscale 和几个脚本，把文件和邮件变成排队的任务，通宵跑一个研究 agent 循环。诚实的定位是：它并不打算赢过前沿模型，它赢在那些无聊的、私密的、对限速敏感的活儿上——那些云端 AI 要么太贵、要么太暴露、没法整天开着跑的场景。AI 不再是浏览器里的一个标签页，而变成了架子上的一个盒子。
https://x.com/kocer_eth/status/2074505985826185703
常驻 agent 的本地硬件版本。一台 700 美元的 Beelink 迷你 PC，跑着 Ollama 或 llama.cpp、Open WebUI、Tailscale 和几个脚本，把文件和邮件变成排队的任务，通宵跑一个研究 agent 循环。诚实的定位是：它并不打算赢过前沿模型，它赢在那些无聊的、私密的、对限速敏感的活儿上——那些云端 AI 要么太贵、要么太暴露、没法整天开着跑的场景。AI 不再是浏览器里的一个标签页，而变成了架子上的一个盒子。
#21
@MengTo
https://x.com/MengTo/status/2074511787073106194
把循环用到了设计上，而非代码。他开源了一个包含 75 个技能的 Agent Skills 库，适配 Codex、Claude Code 和 Cursor，其中最亮眼的是"Daily UI Inspiration"，它把若干技能串成一个 agent 循环，去浏览网页、抓取优秀的落地页，并把它们转化成详尽的 prompt 包。这是一个很好的提醒："生成、抓取、精修"这个循环不只用于通过测试，同样适用于品味与参考资料的采集。
https://x.com/MengTo/status/2074511787073106194
把循环用到了设计上，而非代码。他开源了一个包含 75 个技能的 Agent Skills 库，适配 Codex、Claude Code 和 Cursor，其中最亮眼的是"Daily UI Inspiration"，它把若干技能串成一个 agent 循环，去浏览网页、抓取优秀的落地页，并把它们转化成详尽的 prompt 包。这是一个很好的提醒："生成、抓取、精修"这个循环不只用于通过测试，同样适用于品味与参考资料的采集。
#22
@sadik_0x
https://x.com/sadik_0x/status/2074287166927077858
对那个人人都在克隆的爆款"50 个 agent 的 AI 公司"仓库最尖锐的批评。一张由专门化 agent 组成的组织架构图，确实能更好地界定每个 agent 的产出，没错——但五十个彼此之间没有反馈机制的 agent，不是一家公司，而是一份昂贵的待办清单。缺的那块正是循环：一个在交接前会拿自己的产出去对照真实条件做检查的 agent，而不是一次礼貌的单向传递。人们照抄了部门列表，却跳过了唯一能让它无人值守运转的那部分。
https://x.com/sadik_0x/status/2074287166927077858
对那个人人都在克隆的爆款"50 个 agent 的 AI 公司"仓库最尖锐的批评。一张由专门化 agent 组成的组织架构图，确实能更好地界定每个 agent 的产出，没错——但五十个彼此之间没有反馈机制的 agent，不是一家公司，而是一份昂贵的待办清单。缺的那块正是循环：一个在交接前会拿自己的产出去对照真实条件做检查的 agent，而不是一次礼貌的单向传递。人们照抄了部门列表，却跳过了唯一能让它无人值守运转的那部分。
#23
@DerekColley_
https://x.com/DerekColley_/status/2074537440681799927
一个说明"为什么 harness 胜过模型"的具体本地实验。他在一台 DGX Spark 上跑了一个 Qwen 3.6-27B 的 agent 循环，代码相同、内存配置不同，得到了截然不同的 agent 行为，因为一种配置能装下完整的上下文窗口，另一种只能分块。一旦模型好到某个程度，它们周围的架构就成了约束。这就是"harness 才是护城河"这个论点，浓缩在一次测试里。
https://x.com/DerekColley_/status/2074537440681799927
一个说明"为什么 harness 胜过模型"的具体本地实验。他在一台 DGX Spark 上跑了一个 Qwen 3.6-27B 的 agent 循环，代码相同、内存配置不同，得到了截然不同的 agent 行为，因为一种配置能装下完整的上下文窗口，另一种只能分块。一旦模型好到某个程度，它们周围的架构就成了约束。这就是"harness 才是护城河"这个论点，浓缩在一次测试里。
#24
@DominikTornow
https://x.com/DominikTornow/status/2074440792727343282
今天最值得引用、也最正确的一句警告。哪怕 agent 循环迭代了无穷多次，一个 LLM 检查另一个 LLM 也不叫验证。在 prompt 里加上"adversarial（对抗性）"这个词，是一种氛围，不是一份证明。任何在搭自我改进循环的人都该把这句话贴到墙上，因为整件事都押在一个你真能信任的裁判上。
https://x.com/DominikTornow/status/2074440792727343282
今天最值得引用、也最正确的一句警告。哪怕 agent 循环迭代了无穷多次，一个 LLM 检查另一个 LLM 也不叫验证。在 prompt 里加上"adversarial（对抗性）"这个词，是一种氛围，不是一份证明。任何在搭自我改进循环的人都该把这句话贴到墙上，因为整件事都押在一个你真能信任的裁判上。
#25
@ThibaultJaigu
https://x.com/ThibaultJaigu/status/2074407576398385645
一条与上面那句警告相配的、紧凑的生产法则。每个 agent 循环最终都以同样的方式失败：下一步之所以运行，是因为上一步说了"完成"，可"完成"不是一份契约。改为在一个经过验证的产物上做交接——它确实存在、能被解析、非空、且符合 schema。"agent 完成了"不是一个原语，把它当原语用，正是循环悄无声息地把垃圾输送到下游的方式。
https://x.com/ThibaultJaigu/status/2074407576398385645
一条与上面那句警告相配的、紧凑的生产法则。每个 agent 循环最终都以同样的方式失败：下一步之所以运行，是因为上一步说了"完成"，可"完成"不是一份契约。改为在一个经过验证的产物上做交接——它确实存在、能被解析、非空、且符合 schema。"agent 完成了"不是一个原语，把它当原语用，正是循环悄无声息地把垃圾输送到下游的方式。
📡 生态产品雷达
生态产品雷达
Claude Code 和 Codex 依旧是这些循环搭建其上的默认 harness。DeepSeek 反复作为廉价的执行引擎登场（clawcodex、DotCode、领域 agent 的经济账）。Ollama 是循环中本地、私密那一半的首选（autonomous-agentic-rag、Beelink 那套搭法）。Replit 那篇"闭合循环"的复盘是当天被分享最多的参考之一。自动化研究框架这一簇还在不断壮大：ThetaEvolve、EvoScientist、SENPAI、ScaleAutoResearch，以及 Karpathy 的 Autoresearch skill。DSPy 和 GEPA 撑起了 prompt 优化这一侧，而当循环需要护栏与编排时，n8n 和 LangGraph 是人们伸手去拿的连接件。
Claude Code 和 Codex 依旧是这些循环搭建其上的默认 harness。DeepSeek 反复作为廉价的执行引擎登场（clawcodex、DotCode、领域 agent 的经济账）。Ollama 是循环中本地、私密那一半的首选（autonomous-agentic-rag、Beelink 那套搭法）。Replit 那篇"闭合循环"的复盘是当天被分享最多的参考之一。自动化研究框架这一簇还在不断壮大：ThetaEvolve、EvoScientist、SENPAI、ScaleAutoResearch，以及 Karpathy 的 Autoresearch skill。DSPy 和 GEPA 撑起了 prompt 优化这一侧，而当循环需要护栏与编排时，n8n 和 LangGraph 是人们伸手去拿的连接件。
评论