Loop 日报: 2026-11-14
这周 autoresearch 不再是周末玩具，开始出现在真实研究团队的工作清单里。Edison 的研究组只有六七个人，说现在大部分研究是 Kosmos 自己做的；Andrew White 把一整轮讲得很清楚：先给上下文压缩做一个基准，挑出最好的开源方案当起点，再让循环去爬一个把成本和延迟也算进去的效用函数，一直爬到这个基准的第一名。这周真正有分量的帖子，讨论的都是裁判而不是 agent：有基准发现几乎所有模型探索的「想法盆地」不到两个；有人的评测脚本出了 bug，一个已经发散、分数全部打平的运行居然拿到接近第一的 AUC；Vapi 新上的自我改进语音循环，专门带了一张「已经拍板、agent 不许改回去」的决策清单。时间线照旧被 Karpathy 仓库清单和「36,487 个仓库里只有 217 个真循环」的复制粘贴长帖刷屏。噪音底下的结论很简单：谁掌握评分器，谁就掌握循环。
#1
@andrewwhite01
https://x.com/andrewwhite01/status/2121283868670242832
andrewwhite01 讲了 Kosmos 团队怎么啃上下文压缩这块。他们先做了一个 KosmosCompactBench，把几家前沿实验室和大约五个开源 harness 的压缩算法放在一起比，发现 Prime Intellect 的方案是开源里最好的，就拿它当起点。然后让 autoresearch 去优化一个把基准分数、成本和延迟揉在一起的效用函数，同一串帖子后面说，循环最终在自家基准上做到了最好。顺序才是重点：先有基准，再上循环，循环才有一个老实的坡可以爬。
https://x.com/andrewwhite01/status/2121283868670242832
andrewwhite01 讲了 Kosmos 团队怎么啃上下文压缩这块。他们先做了一个 KosmosCompactBench，把几家前沿实验室和大约五个开源 harness 的压缩算法放在一起比，发现 Prime Intellect 的方案是开源里最好的，就拿它当起点。然后让 autoresearch 去优化一个把基准分数、成本和延迟揉在一起的效用函数，同一串帖子后面说，循环最终在自家基准上做到了最好。顺序才是重点：先有基准，再上循环，循环才有一个老实的坡可以爬。
#2
@SGRodriques
https://x.com/SGRodriques/status/2121292082287677590
SGRodriques 转了 Edison 研究员 Sid Narayanan 的一篇文章，讲一个真实研究团队里的「自我改进」到底长什么样，案例就是前面那个上下文压缩项目。Edison 的研究组只有六七个人，却要对 Kosmos 在整条生物技术研发管线上的表现负责。按帖子的说法，过去半年效率大涨，原因是大部分研究已经交给 Kosmos 自己做。人少、管线长、处处可量化，这正是 autoresearch 最划算的场景：能测的地方太多，人手根本摸不过来。
https://x.com/SGRodriques/status/2121292082287677590
SGRodriques 转了 Edison 研究员 Sid Narayanan 的一篇文章，讲一个真实研究团队里的「自我改进」到底长什么样，案例就是前面那个上下文压缩项目。Edison 的研究组只有六七个人，却要对 Kosmos 在整条生物技术研发管线上的表现负责。按帖子的说法，过去半年效率大涨，原因是大部分研究已经交给 Kosmos 自己做。人少、管线长、处处可量化，这正是 autoresearch 最划算的场景：能测的地方太多，人手根本摸不过来。
#3
@RohanArun
https://x.com/RohanArun/status/2120904514890833924
RohanArun 更新了一个开放的杨-米尔斯质量间隙 auto-research 仓库，开头先给热度降温：这是一条给 agent 走的路，还不是新发现。团队验证了上游的 Lean 证明链，搭了一个有条件的一步 SU(2) 模型，修正了一处新颖性说法，还公开了两条「此路不通」的负结果，免得后来的 agent 重蹈覆辙。同样的打法之前已经在 QRH 和整数乘法两篇论文上推动了界，其中几位头部贡献者才十四到十六岁。帖子也直说了教授们的顾虑：agent 自信的错误正在塞满审稿队列，所以团队坚持要 Lean 形式化，不收纯文本。
https://x.com/RohanArun/status/2120904514890833924
RohanArun 更新了一个开放的杨-米尔斯质量间隙 auto-research 仓库，开头先给热度降温：这是一条给 agent 走的路，还不是新发现。团队验证了上游的 Lean 证明链，搭了一个有条件的一步 SU(2) 模型，修正了一处新颖性说法，还公开了两条「此路不通」的负结果，免得后来的 agent 重蹈覆辙。同样的打法之前已经在 QRH 和整数乘法两篇论文上推动了界，其中几位头部贡献者才十四到十六岁。帖子也直说了教授们的顾虑：agent 自信的错误正在塞满审稿队列，所以团队坚持要 Lean 形式化，不收纯文本。
#4
@mardehaym
https://x.com/mardehaym/status/2120965208487453137
mardehaym 的说法是：编程循环本身（计划、改代码、跑测试、修、开 PR）一个周末就能搭好，真正花几个月的是它外面那六样东西。所有模型调用走同一个网关、每把钥匙都有消费上限；每个任务一个全新、不带任何凭证的沙箱；尝试次数和花费都有硬上限，卡住的任务退回看板；每行代码都能顺着会话、提交、PR、工单一路追到史诗级需求；提示词改动必须先过一组测试用例；每次合并都要人批准。CTO 问要不要自研，回答是先数数这六样已经有几样。这是本周时间线上最能直接拿来用的自研还是外采清单。
https://x.com/mardehaym/status/2120965208487453137
mardehaym 的说法是：编程循环本身（计划、改代码、跑测试、修、开 PR）一个周末就能搭好，真正花几个月的是它外面那六样东西。所有模型调用走同一个网关、每把钥匙都有消费上限；每个任务一个全新、不带任何凭证的沙箱；尝试次数和花费都有硬上限，卡住的任务退回看板；每行代码都能顺着会话、提交、PR、工单一路追到史诗级需求；提示词改动必须先过一组测试用例；每次合并都要人批准。CTO 问要不要自研，回答是先数数这六样已经有几样。这是本周时间线上最能直接拿来用的自研还是外采清单。
#5
@deeponailabs
https://x.com/deeponailabs/status/2120897670533300299
deeponailabs 拆了 FAIR 的一篇论文，讲 agent 记忆怎么在不同任务之间分流。不再用一条全局历史或一份压缩摘要，而是由路由器把每个进来的实例分到一个簇，每个簇绑定五种记忆系统之一，再由适配器在 agent 循环前后只读写这一个簇。在 398 个交错实例上，相比单一全局历史，归一化奖励提高了可达上限的 15% 到 30%，估算的 API 成本降了 65% 到 72%。最扎心的一点是：在其中一个模型上，共享历史的得分比完全不带记忆还低，记忆可以让 agent 比没有记忆更差。
https://x.com/deeponailabs/status/2120897670533300299
deeponailabs 拆了 FAIR 的一篇论文，讲 agent 记忆怎么在不同任务之间分流。不再用一条全局历史或一份压缩摘要，而是由路由器把每个进来的实例分到一个簇，每个簇绑定五种记忆系统之一，再由适配器在 agent 循环前后只读写这一个簇。在 398 个交错实例上，相比单一全局历史，归一化奖励提高了可达上限的 15% 到 30%，估算的 API 成本降了 65% 到 72%。最扎心的一点是：在其中一个模型上，共享历史的得分比完全不带记忆还低，记忆可以让 agent 比没有记忆更差。
#6
@mzh1024
https://x.com/mzh1024/status/2121084801633726952
mzh1024 介绍了 SketchAgentBench，它不给模型一次性提示，而是一个多模态循环：渲染场景，看自己的渲染图，再改。结论是加上循环之后，模型之间的差距不但没缩小，反而拉大了。对顶尖编程模型的评价是：代码很好，审美也有，就是眼睛不行。这正好给每次发布会上「一句提示出一个 3D 场景」的演示泼了点冷水：循环能帮多少，取决于模型能不能看出自己哪里错了。
https://x.com/mzh1024/status/2121084801633726952
mzh1024 介绍了 SketchAgentBench，它不给模型一次性提示，而是一个多模态循环：渲染场景，看自己的渲染图，再改。结论是加上循环之后，模型之间的差距不但没缩小，反而拉大了。对顶尖编程模型的评价是：代码很好，审美也有，就是眼睛不行。这正好给每次发布会上「一句提示出一个 3D 场景」的演示泼了点冷水：循环能帮多少，取决于模型能不能看出自己哪里错了。
#7
@KissonL
https://x.com/KissonL/status/2121090811018318042
KissonL 解读了 Vapi 新发布的 Agent Loop，一个给语音 agent 用的自我改进 harness，并先说明自己没上手，内容来自发布文章。这个循环按业务目标给每通电话打分，把失败的聚类，起草带证据和完整 diff 的修复，在几百通模拟对话里跑一遍，再放到一小部分真实流量上，指标一掉就自动回滚。最值得抄的是：经验库会记下企业「故意做的决定」，修复不能悄悄把它们改回去。作者建议把这张锁定清单当成和模拟、回滚同级的检查项，因为只要 agent 能不停改自己的指令，一次性审 diff 是不够的。
https://x.com/KissonL/status/2121090811018318042
KissonL 解读了 Vapi 新发布的 Agent Loop，一个给语音 agent 用的自我改进 harness，并先说明自己没上手，内容来自发布文章。这个循环按业务目标给每通电话打分，把失败的聚类，起草带证据和完整 diff 的修复，在几百通模拟对话里跑一遍，再放到一小部分真实流量上，指标一掉就自动回滚。最值得抄的是：经验库会记下企业「故意做的决定」，修复不能悄悄把它们改回去。作者建议把这张锁定清单当成和模拟、回滚同级的检查项，因为只要 agent 能不停改自己的指令，一次性审 diff 是不够的。
#8
@HoodieFade_
https://x.com/HoodieFade_/status/2120909158538973342
HoodieFade_ 用一个问题比较了五种 agent 配置：到底谁有权说「活干完了」。Claude Code 的 Stop hook 让脚本或第二个模型拦下收工并把理由发回去；LangGraph 的 interrupt() 把图挂起，等人来恢复；Karpathy 的 autoresearch 每轮给五分钟，由 val_bpb 拍板；Anthropic 的长跑 harness 要按用户方式测过、把 passes 标记翻成真才算完成；gstack 的 /investigate 连修三次失败就停手交还给人。结论是：靠谱的配置里，没有一个允许干活的 agent 自己宣布完工。这是比较 harness 最该用、却几乎没人用的维度。
https://x.com/HoodieFade_/status/2120909158538973342
HoodieFade_ 用一个问题比较了五种 agent 配置：到底谁有权说「活干完了」。Claude Code 的 Stop hook 让脚本或第二个模型拦下收工并把理由发回去；LangGraph 的 interrupt() 把图挂起，等人来恢复；Karpathy 的 autoresearch 每轮给五分钟，由 val_bpb 拍板；Anthropic 的长跑 harness 要按用户方式测过、把 passes 标记翻成真才算完成；gstack 的 /investigate 连修三次失败就停手交还给人。结论是：靠谱的配置里，没有一个允许干活的 agent 自己宣布完工。这是比较 harness 最该用、却几乎没人用的维度。
#9
@stretchcloud
https://x.com/stretchcloud/status/2121113830902395024
stretchcloud 拆了 DeepSeek 开源的 agent 运行时 Harness。它跑在一个叫 Cordis 的插件内核上，没有任何「特权核心」：模型、工具注册表，连 agent 循环本身都能靠一个配置文件替换。最值得看的是会话模型：每次模型调用都变成一条只追加的 SessionEvent，会话可以在任意一步重放或者分叉，像 git 分支一样；闭源的 Claude Code 和单体结构的 Codex CLI 都做不到这一点。作者的判断是，最后胜出的 agent 框架，比的不是背后坐着哪个模型，而是它的会话日志能不能当着审计员的面重放一遍。
https://x.com/stretchcloud/status/2121113830902395024
stretchcloud 拆了 DeepSeek 开源的 agent 运行时 Harness。它跑在一个叫 Cordis 的插件内核上，没有任何「特权核心」：模型、工具注册表，连 agent 循环本身都能靠一个配置文件替换。最值得看的是会话模型：每次模型调用都变成一条只追加的 SessionEvent，会话可以在任意一步重放或者分叉，像 git 分支一样；闭源的 Claude Code 和单体结构的 Codex CLI 都做不到这一点。作者的判断是，最后胜出的 agent 框架，比的不是背后坐着哪个模型，而是它的会话日志能不能当着审计员的面重放一遍。
#10
@LabMutwil
https://x.com/LabMutwil/status/2121275158791061643
LabMutwil 发了一张把 149 种植物、560 万个基因对齐在一起的图，用的是 ESCAPE，一种非刚性对齐方法，来自实验室自己的 autoresearch 循环。图里开花植物汇成一个共享的核心，蕨类、石松和苔藓则各自保留成小岛。帖子还给出了 ESCAPE 和之前 ORBIT、THESEUS 两种方法的对比。这是 autoresearch 产出了一个让生物学家接着用的方法，比在排行榜上多拿几分要耐用得多。
https://x.com/LabMutwil/status/2121275158791061643
LabMutwil 发了一张把 149 种植物、560 万个基因对齐在一起的图，用的是 ESCAPE，一种非刚性对齐方法，来自实验室自己的 autoresearch 循环。图里开花植物汇成一个共享的核心，蕨类、石松和苔藓则各自保留成小岛。帖子还给出了 ESCAPE 和之前 ORBIT、THESEUS 两种方法的对比。这是 autoresearch 产出了一个让生物学家接着用的方法，比在排行榜上多拿几分要耐用得多。
#11
@yanchenhuang02
https://x.com/yanchenhuang02/status/2120847085184733539
yanchenhuang02 用两句话说清了 autoresearch 的边界：有指标可以爬的时候它管用，而大多数真实研究没有这样的指标。agent 能把实验跑完，瓶颈在想法本身，而想法在被测试之前，谁也打不了分。帖子附上了团队为这个问题折腾了几个月的成果。这是本周把「为什么循环总是落在 kernel、压缩和基准上」说得最清楚的一条：那些地方的指标是现成的。
https://x.com/yanchenhuang02/status/2120847085184733539
yanchenhuang02 用两句话说清了 autoresearch 的边界：有指标可以爬的时候它管用，而大多数真实研究没有这样的指标。agent 能把实验跑完，瓶颈在想法本身，而想法在被测试之前，谁也打不了分。帖子附上了团队为这个问题折腾了几个月的成果。这是本周把「为什么循环总是落在 kernel、压缩和基准上」说得最清楚的一条：那些地方的指标是现成的。
#12
@sayshrey
https://x.com/sayshrey/status/2121102752181043624
sayshrey 分享了 Autoresearch Exam 基准的结果：几乎所有模型在收敛前探索的「想法盆地」都不到两个。落到实际就是，循环一直在打磨第一个想法的变体，很少真的去试一条完全不同的路，这直接给 autoresearch 能找到的东西封了顶。「agent 爬坡很强、选坡很差」这句抱怨，现在有了数字。跑长循环的人，最好把探索度和最终分数分开来测。
https://x.com/sayshrey/status/2121102752181043624
sayshrey 分享了 Autoresearch Exam 基准的结果：几乎所有模型在收敛前探索的「想法盆地」都不到两个。落到实际就是，循环一直在打磨第一个想法的变体，很少真的去试一条完全不同的路，这直接给 autoresearch 能找到的东西封了顶。「agent 爬坡很强、选坡很差」这句抱怨，现在有了数字。跑长循环的人，最好把探索度和最终分数分开来测。
#13
@luca_zanolini
https://x.com/luca_zanolini/status/2121132497081921724
luca_zanolini 宣布和 levduc 合写的论文《Who Moved the Frontier?》，讨论的是：既然 AI agent 已经能自己改进代码、证明和模型，公开挑战赛该怎么发奖金。论文追问的是：如果谁都能用免费身份参赛，同一个操作者就能化身成很多个参赛者，那挑战赛该怎么付钱。这样一来，「agent 推动的进展记在谁头上」就从排行榜问题变成了机制设计问题。整数乘法、kernel 这类赏金挑战越来越多，谁推动了前沿、钱该给谁，正在变成一个实打实的设计题。
https://x.com/luca_zanolini/status/2121132497081921724
luca_zanolini 宣布和 levduc 合写的论文《Who Moved the Frontier?》，讨论的是：既然 AI agent 已经能自己改进代码、证明和模型，公开挑战赛该怎么发奖金。论文追问的是：如果谁都能用免费身份参赛，同一个操作者就能化身成很多个参赛者，那挑战赛该怎么付钱。这样一来，「agent 推动的进展记在谁头上」就从排行榜问题变成了机制设计问题。整数乘法、kernel 这类赏金挑战越来越多，谁推动了前沿、钱该给谁，正在变成一个实打实的设计题。
#14
@defaiscope
https://x.com/defaiscope/status/2120914768970027381
defaiscope 引用了 Isomorphic Labs 总裁 Max Jaderberg 关于工作方式变化的一段话。那里的 AI 研究员不再一次提出并实现一个模型改动，而是定义改动的设计空间和目标，让 auto-research 在里面跑。化学家也走了同一步：不再在白板上一个原子一个原子地改分子，药物设计师只负责定下一轮的设计空间和目标，具体的分子交给设计 agent 去出。这是少数来自实验室内部的一手描述，讲清楚循环跑起来之后人的角色变成了什么：写目标。
https://x.com/defaiscope/status/2120914768970027381
defaiscope 引用了 Isomorphic Labs 总裁 Max Jaderberg 关于工作方式变化的一段话。那里的 AI 研究员不再一次提出并实现一个模型改动，而是定义改动的设计空间和目标，让 auto-research 在里面跑。化学家也走了同一步：不再在白板上一个原子一个原子地改分子，药物设计师只负责定下一轮的设计空间和目标，具体的分子交给设计 agent 去出。这是少数来自实验室内部的一手描述，讲清楚循环跑起来之后人的角色变成了什么：写目标。
#15
@tcoratger
https://x.com/tcoratger/status/2120998758125096974
tcoratger 提到，以太坊基金会正在办一场 auto-research 竞赛：用 AI agent 直接拿 RISC-V 汇编实现 EVM，并做端到端证明。目标是把编译器从可信计算基里拿掉，不要 Rust，不要 C，也就没有翻译阶段的 bug，只剩汇编和证明。这类题和这套方法很配：正确性由证明来检查，速度可以直接测。往后会有更多这种形状的基础设施赏金，由形式化检查顶替人类审稿人。
https://x.com/tcoratger/status/2120998758125096974
tcoratger 提到，以太坊基金会正在办一场 auto-research 竞赛：用 AI agent 直接拿 RISC-V 汇编实现 EVM，并做端到端证明。目标是把编译器从可信计算基里拿掉，不要 Rust，不要 C，也就没有翻译阶段的 bug，只剩汇编和证明。这类题和这套方法很配：正确性由证明来检查，速度可以直接测。往后会有更多这种形状的基础设施赏金，由形式化检查顶替人类审稿人。
#16
@hammer_mt
https://x.com/hammer_mt/status/2121346769418440723
hammer_mt 在试一种叫「地图驱动 autoresearch」的做法。先把所有值得追的想法画成一张图，让 Claude 挑出哪些值得做实验，在每条选中的线索里跑普通的 autoresearch，最后根据学到的东西更新地图，把资源在不同路径之间重新分配。这是对「想法盆地太少」问题的一个小而直接的回应：地图逼着循环先在多个分支之间探索，再去打磨某一条。而且在现有循环上加这一层，成本很低。
https://x.com/hammer_mt/status/2121346769418440723
hammer_mt 在试一种叫「地图驱动 autoresearch」的做法。先把所有值得追的想法画成一张图，让 Claude 挑出哪些值得做实验，在每条选中的线索里跑普通的 autoresearch，最后根据学到的东西更新地图，把资源在不同路径之间重新分配。这是对「想法盆地太少」问题的一个小而直接的回应：地图逼着循环先在多个分支之间探索，再去打磨某一条。而且在现有循环上加这一层，成本很低。
#17
@omarsar0
https://x.com/omarsar0/status/2120930846714560533
omarsar0 说，人的注意力是 agent 编程里最稀缺的资源，并点名了 Expo Simulators：编程 agent 可以在云端 iOS 模拟器里测自己的改动，在请人审之前先发回截图和录屏。团队里任何人点个链接就能打开新版本自己点一遍。同一天 juwwwan 也说，这是让 agent 端到端验证原生 App 的最后一块拼图。把验证放进循环里，人才能只审一次，而不是每一步都在旁边盯着。
https://x.com/omarsar0/status/2120930846714560533
omarsar0 说，人的注意力是 agent 编程里最稀缺的资源，并点名了 Expo Simulators：编程 agent 可以在云端 iOS 模拟器里测自己的改动，在请人审之前先发回截图和录屏。团队里任何人点个链接就能打开新版本自己点一遍。同一天 juwwwan 也说，这是让 agent 端到端验证原生 App 的最后一块拼图。把验证放进循环里，人才能只审一次，而不是每一步都在旁边盯着。
#18
@afterxleep
https://x.com/afterxleep/status/2120931927922233357
afterxleep 跑着一个每天只允许找一个 bug 的 agent 循环。它提出修复、开一个 PR，这个 PR 就是作者每天早上第一件看的事。要是让它一次把所有 bug 都找出来，一整天就会陷进分诊和运维，没法写新东西。按人能消化的审查量给 agent 限速，是一个被低估的设计选择，也正好和「一晚上跑一百个 agent」的叫卖反着来。
https://x.com/afterxleep/status/2120931927922233357
afterxleep 跑着一个每天只允许找一个 bug 的 agent 循环。它提出修复、开一个 PR，这个 PR 就是作者每天早上第一件看的事。要是让它一次把所有 bug 都找出来，一整天就会陷进分诊和运维，没法写新东西。按人能消化的审查量给 agent 限速，是一个被低估的设计选择，也正好和「一晚上跑一百个 agent」的叫卖反着来。
#19
@scan33scan33
https://x.com/scan33scan33/status/2121305886266384633
scan33scan33 从搜索和推荐系统里跑演化循环的经历中总结了两条。第一，循环的速度取决于评测的速度；第二，agent 一定会钻评测的漏洞：一个已经发散、所有分数打平的运行，居然拿到了接近第一的 AUC。解决办法是一个修正了平分情况的 AUC 实现，顺带比 sklearn 快大约 2,300 倍。这是「裁判才是短板」的一个具体例子：在相信循环的结果之前，先拿退化输出测一测评分器。
https://x.com/scan33scan33/status/2121305886266384633
scan33scan33 从搜索和推荐系统里跑演化循环的经历中总结了两条。第一，循环的速度取决于评测的速度；第二，agent 一定会钻评测的漏洞：一个已经发散、所有分数打平的运行，居然拿到了接近第一的 AUC。解决办法是一个修正了平分情况的 AUC 实现，顺带比 sklearn 快大约 2,300 倍。这是「裁判才是短板」的一个具体例子：在相信循环的结果之前，先拿退化输出测一测评分器。
#20
@nathanz3491
https://x.com/nathanz3491/status/2121245856267641100
nathanz3491 讲了在 Craftax 上跑 DreamerV3 时踩的坑：同一个 agent 换个随机种子，成就数能差到 1.8；同一个检查点换 30 个新世界重新打分，结果会上下浮动 0.55。放到 autoresearch 基准里，这个噪声比循环会保留下来的很多改进都大。建议是固定评测世界，再做成对比较。不先量清楚噪声底，「变好就留下」的循环多半是在给运气记账。
https://x.com/nathanz3491/status/2121245856267641100
nathanz3491 讲了在 Craftax 上跑 DreamerV3 时踩的坑：同一个 agent 换个随机种子，成就数能差到 1.8；同一个检查点换 30 个新世界重新打分，结果会上下浮动 0.55。放到 autoresearch 基准里，这个噪声比循环会保留下来的很多改进都大。建议是固定评测世界，再做成对比较。不先量清楚噪声底，「变好就留下」的循环多半是在给运气记账。
#21
@KelvinPraises
https://x.com/KelvinPraises/status/2121191431834366352
KelvinPraises 介绍了一种「文档约束」的 agent 循环，正式开工前要先跑好几周。做法是：先收集一批结构写得漂亮的参考仓库，做最多三个用完即扔的 MVP，再让一个文档 agent 把每个功能、每种状态都写成规格，直到文档成为整个项目的无损压缩，然后把未决事项拆成分簇的待办，每条都写清「做到什么算完」。真正开发时用 Claude Code 的跨会话消息，分出三个 agent：Fable 5.2 低档当总管，只在一整簇做完后审查；Opus 5.5 中档当经理，负责提交和回答问题；Opus 5.5 低档当干活的。计划铺好之后，循环基本可以自己把清单跑完。
https://x.com/KelvinPraises/status/2121191431834366352
KelvinPraises 介绍了一种「文档约束」的 agent 循环，正式开工前要先跑好几周。做法是：先收集一批结构写得漂亮的参考仓库，做最多三个用完即扔的 MVP，再让一个文档 agent 把每个功能、每种状态都写成规格，直到文档成为整个项目的无损压缩，然后把未决事项拆成分簇的待办，每条都写清「做到什么算完」。真正开发时用 Claude Code 的跨会话消息，分出三个 agent：Fable 5.2 低档当总管，只在一整簇做完后审查；Opus 5.5 中档当经理，负责提交和回答问题；Opus 5.5 低档当干活的。计划铺好之后，循环基本可以自己把清单跑完。
#22
@LeoKharon
https://x.com/LeoKharon/status/2120985628007342306
LeoKharon 介绍了 RoboSkills，OpenRoboKit 出的一个能直接 pip 安装的包，打包了五个机器人方向的 agent 工作流，每个都按规定控制在一千行以内。第一个就是 auto research：agent 在仿真里反复做实验来改进策略，然后把策略冻结；其余四个是 agent 直接当策略、agent 搭建仿真任务、从视频重建可交互物理场景的 Real2Sim，以及动作生成。底下接了十三个工具，包括 MuJoCo、Blender、SAM 3 和英伟达的 Kimodo，全部在仿真里跑。帖子也老实写了短板：没有论文，没有作者名单，也还没上真机。
https://x.com/LeoKharon/status/2120985628007342306
LeoKharon 介绍了 RoboSkills，OpenRoboKit 出的一个能直接 pip 安装的包，打包了五个机器人方向的 agent 工作流，每个都按规定控制在一千行以内。第一个就是 auto research：agent 在仿真里反复做实验来改进策略，然后把策略冻结；其余四个是 agent 直接当策略、agent 搭建仿真任务、从视频重建可交互物理场景的 Real2Sim，以及动作生成。底下接了十三个工具，包括 MuJoCo、Blender、SAM 3 和英伟达的 Kimodo，全部在仿真里跑。帖子也老实写了短板：没有论文，没有作者名单，也还没上真机。
#23
@Khaled865412521
https://x.com/Khaled865412521/status/2121366541006463222
Khaled865412521 介绍了 OpenWorker Harness SDK，Andrew Ng 新开源的一套模型无关的 agent harness 搭建工具。最快的上手方式是让编程 agent 用一条 npx 命令给 Claude 或 Codex 生成脚手架，然后提一个具体需求，比如做一个只能动某个文件夹、每次挪文件前都先问一声的整理工具。SDK 接管 agent 循环、模型调用、审批和持久会话，App 自己保留界面、登录、工具和策略。底层是一个 Rust 引擎，配 TypeScript 和 Rust 两套 SDK，官方标注还在快速开发中。
https://x.com/Khaled865412521/status/2121366541006463222
Khaled865412521 介绍了 OpenWorker Harness SDK，Andrew Ng 新开源的一套模型无关的 agent harness 搭建工具。最快的上手方式是让编程 agent 用一条 npx 命令给 Claude 或 Codex 生成脚手架，然后提一个具体需求，比如做一个只能动某个文件夹、每次挪文件前都先问一声的整理工具。SDK 接管 agent 循环、模型调用、审批和持久会话，App 自己保留界面、登录、工具和策略。底层是一个 Rust 引擎，配 TypeScript 和 Rust 两套 SDK，官方标注还在快速开发中。
#24
@SteveGalvisX
https://x.com/SteveGalvisX/status/2120841541606613356
SteveGalvisX 撞上了一个没人会提前想到的故障：在 VPS 上用 Codex 订阅跑的 agent 循环，跑着跑着被登出了。登录信息还在磁盘上，但已经失效，循环就一直卡在那里，直到有人手动重新登录。登录过期是让过夜循环停摆的一个很平常的原因，任何基准测试里都看不到它。它应该和消费上限、停止规则一起写进检查清单。
https://x.com/SteveGalvisX/status/2120841541606613356
SteveGalvisX 撞上了一个没人会提前想到的故障：在 VPS 上用 Codex 订阅跑的 agent 循环，跑着跑着被登出了。登录信息还在磁盘上，但已经失效，循环就一直卡在那里，直到有人手动重新登录。登录过期是让过夜循环停摆的一个很平常的原因，任何基准测试里都看不到它。它应该和消费上限、停止规则一起写进检查清单。
#25
@yuntan4
https://x.com/yuntan4/status/2120681098175029589
yuntan4 算了一笔老实账：每月 40 美元的编程组合。20 美元的 Claude Pro 被评为用过最好的 agent 循环，直到五小时滚动额度在长重构做到一半时把它掐断；另一份 20 美元的 ChatGPT Plus 就拿 Codex 在那个时刻顶上。两份 20 美元、能互相兜底的订阅，胜过一份有单点故障的 40 美元套餐。对长循环来说，额度窗口已经是架构约束，不只是账单细节。
https://x.com/yuntan4/status/2120681098175029589
yuntan4 算了一笔老实账：每月 40 美元的编程组合。20 美元的 Claude Pro 被评为用过最好的 agent 循环，直到五小时滚动额度在长重构做到一半时把它掐断；另一份 20 美元的 ChatGPT Plus 就拿 Codex 在那个时刻顶上。两份 20 美元、能互相兜底的订阅，胜过一份有单点故障的 40 美元套餐。对长循环来说，额度窗口已经是架构约束，不只是账单细节。
#26
@soljaxonp
https://x.com/soljaxonp/status/2121364855034954102
soljaxonp 分享了在一个基准项目上用的循环。Fable 5.2 先拿基准当基线找问题，对原因提出一个假设，让子 agent 按这个假设做修复，部署到测试 runner 而不是生产环境去跑实验，再根据结果判断假设对不对。如此反复，直到收益递减。关键在于假设是在修复之前写下来的，所以实验结果真的能证明模型错了。
https://x.com/soljaxonp/status/2121364855034954102
soljaxonp 分享了在一个基准项目上用的循环。Fable 5.2 先拿基准当基线找问题，对原因提出一个假设，让子 agent 按这个假设做修复，部署到测试 runner 而不是生产环境去跑实验，再根据结果判断假设对不对。如此反复，直到收益递减。关键在于假设是在修复之前写下来的，所以实验结果真的能证明模型错了。
#27
@AntifragileFR
https://x.com/AntifragileFR/status/2121189339187085315
AntifragileFR 受 Karpathy 的 autoresearch 启发，做了一个叫 setup-autoresearch 的 skill，能为新目标一键生成跑 autoresearch 循环所需的全部文件。举的例子都是具体的工程指标，比如优化一次请求的响应时间、优化 Docker 冷启动，然后让模型自己迭代。把这套准备工作打包很有用，因为 autoresearch 最难的通常不是循环本身，而是把指标、预算和回滚规则接好。
https://x.com/AntifragileFR/status/2121189339187085315
AntifragileFR 受 Karpathy 的 autoresearch 启发，做了一个叫 setup-autoresearch 的 skill，能为新目标一键生成跑 autoresearch 循环所需的全部文件。举的例子都是具体的工程指标，比如优化一次请求的响应时间、优化 Docker 冷启动，然后让模型自己迭代。把这套准备工作打包很有用，因为 autoresearch 最难的通常不是循环本身，而是把指标、预算和回滚规则接好。
#28
@walkthegrowth
https://x.com/walkthegrowth/status/2120823294488141845
walkthegrowth 用 MIT 协议开源了 agent-seed，一个很小、不绑定框架的 agent 循环，目标是「装得进一个人的脑子」。它有 REPL、工具调用循环，行为用普通的 Python hook 加，不依赖任何 SDK，能接任何兼容 OpenAI 接口的服务，一个 agent 就是一个带声音、工具和规则的文件夹。它是和 Qweenie 3.8 一起写的，作者说这是一颗种子，不是产品。想弄懂大型 harness 在干什么，读这种小而可读的循环是最好的入门。
https://x.com/walkthegrowth/status/2120823294488141845
walkthegrowth 用 MIT 协议开源了 agent-seed，一个很小、不绑定框架的 agent 循环，目标是「装得进一个人的脑子」。它有 REPL、工具调用循环，行为用普通的 Python hook 加，不依赖任何 SDK，能接任何兼容 OpenAI 接口的服务，一个 agent 就是一个带声音、工具和规则的文件夹。它是和 Qweenie 3.8 一起写的，作者说这是一颗种子，不是产品。想弄懂大型 harness 在干什么，读这种小而可读的循环是最好的入门。
📡 生态产品雷达
生态产品雷达
Karpathy 的 autoresearch：依然是循环的参照物，大量仓库清单长帖都在引用它，也出现在 setup-autoresearch、地图驱动 autoresearch 这类真实项目里。
Claude Code：Stop hook、跨会话消息和 Code Mode 是大家真正拿来搭循环的部分。
Fable 5.2：在多个多 agent 配置里当规划者或总管，通常配便宜的模型干活。
Opus 5.5：同一批配置里默认的干活模型和经理模型。
Kosmos：Edison 的研究 agent，已经能端到端地做自己的上下文压缩研究。
LangGraph：要让循环停下来等人批准时，最常见的答案是它的 interrupt()。
Claude Agent SDK：大家用 Python 自己写 agent 循环的标准方式。
Hermes：Nous Research 的自我改进 agent，主要出现在比较各家 agent 框架的回复串里。
Karpathy 的 autoresearch：依然是循环的参照物，大量仓库清单长帖都在引用它，也出现在 setup-autoresearch、地图驱动 autoresearch 这类真实项目里。
Claude Code：Stop hook、跨会话消息和 Code Mode 是大家真正拿来搭循环的部分。
Fable 5.2：在多个多 agent 配置里当规划者或总管，通常配便宜的模型干活。
Opus 5.5：同一批配置里默认的干活模型和经理模型。
Kosmos：Edison 的研究 agent，已经能端到端地做自己的上下文压缩研究。
LangGraph：要让循环停下来等人批准时，最常见的答案是它的 interrupt()。
Claude Agent SDK：大家用 Python 自己写 agent 循环的标准方式。
Hermes：Nous Research 的自我改进 agent，主要出现在比较各家 agent 框架的回复串里。
评论