Loop 日报: 2026-11-10

@eclecticV
https://x.com/eclecticV/status/2119874832414425126
eclecticV 把前后隔了四天的两篇基础设施文章放在一起看。OpenAI 的 Pando 现在承载整个 monorepo 的开发，推送延迟中位数降了将近五倍，每天吞吐接近一 PB 的 Git 数据；起因是 Codex 让每个工程师同时跑好几条改动，推送成功率一度掉到 90% 以下。GitHub 的 Project Rubicon 在内部测试里，单个仓库扛住了 5,000 个并发 agent、每秒 7,200 次推送。两家都按引用加锁，各推各分支的 agent 基本互不等待；代价是两家都不再保证跨分支的同一时刻视图，镜像任务和从多个引用切版本的发布工具最该先查。结尾那一刀最狠：两篇都没提代码审查，而 9 月已经有超过四成的 PR 是 agent 起的草稿。

@SadCreatorTalks
https://x.com/SadCreatorTalks/status/2119880799931752779
SadCreatorTalks 把 Meta 新出的 Muse Ember 的价目表细则读了一遍。标价是每百万 token 输入 0.10 美元、输出 0.50 美元，跟 Haiku 5.5、GPT-6 Luna 一样。可只要单次请求的输入超过 20 万 token，整次请求都按三倍计费，不是只算超出的那部分；缓存 token 和续接的整段历史对话也都算进去。每轮都重发完整历史的 agent 循环，会悄无声息地跨过这条线，账单上只会多出一个档位。这是今天最典型的例子：看着是按 token 计价，实际是按你的循环怎么设计来计价。

@Ldataengineer
https://x.com/Ldataengineer/status/2119886959715975605
Ldataengineer 从 Fable 5.2 的发布里挑出了 agent 循环最容易踩的坑。价格降两成到输入 8 美元、输出 40 美元；Anthropic 说 High 档大致追平 Max 档的 Opus 5.5，单任务成本只要一半左右；目前唯一的外部检验是 Vals AI，36 个模型里排第一，71.31%。问题在于思维保留现在对所有账户强制开启，Anthropic 的说法是防止有人从输出里复制模型；循环里只要改过早先的上下文，就可能收到 400 错误。建议很短也很对：换模型 ID 之前先测，编程能力的说法拿自己的仓库跑过再信。

@crsnnn
https://x.com/crsnnn/status/2119871910041301073
crsnnn 把标题没算的缓存账算了。Fable 5.2 的降价是所有费率一刀切两成，缓存也不例外：缓存命中从 0.25 美元降到 0.20，一小时写入从 20 美元降到 16。这样一来，Fable 5.2 的缓存读取和 Opus 5.5 一样都是 0.20 美元，而新输入和输出仍是 Opus 的两倍。所以重度依赖缓存的 agent 循环，实际成本比标价看上去更接近 Opus；真要比，得看每一轮里有多少是复用的上下文。

@Zefan_Cai
https://x.com/Zefan_Cai/status/2119896287076327840
Zefan_Cai 解读了一个 DeepSWE 的结果：各家模型原本扎堆在 74% 左右，指令或初始代码稍微改一改，分数就拉开了 23 分。89 道题的样本不算小，不太可能是几道题运气不好。没搞清的是脆弱性出在哪：一个小写的文件名，可能弄坏模型，也可能弄坏脚手架，或者暴露一个默认了某种命名习惯的 prompt，所以问题完全可能出在 agent 循环里，而不是权重里。结论是，这个月看到任何编程榜单，先要逐题明细，再谈排名。

@LabubuNoBB
https://x.com/LabubuNoBB/status/2119285903101468755
LabubuNoBB 把 GitHub 11 月 6 日 Copilot 更新里的 Agent Merge 看作多数编程 agent 缺的最后一公里。在 PR 上开启后，条件满足 Copilot 就自动合并，而且现在必需的检查或规则还在等待时，它也会一直保持开启。真正有价值的是这个判断：瓶颈从来不是生成 diff，而是 CI、分支保护、没审完的 review，以及守着合并按钮的那个人。把合并钥匙放进 agent 循环，等于把补丁变成主干的那一刻也委托出去了；门禁写得马虎，它只会让马虎跑得更快，不会帮你补上。

@0dayWarlord
https://x.com/0dayWarlord/status/2119576315376333246
0dayWarlord 整理了 Bitdefender 11 月 3 日的报告，讲的是 9 月一起英国学校网络的勒索软件入侵，大约 37 台机器被加密。在窃取凭据和加密之间，调查人员看到一条命令执行后 41 秒重来一遍，49 秒后被改写，再过 47 秒换成另一种方法；九次重试的间隔大约在 40 到 101 秒之间，不管改动大小都差不多。有些命令里的错误像是生成出来的，而不是对着文档写的，所以 Bitdefender 的结论是 agent 驱动的可能性存在，但未经证实。防守方的启示一点也不玄：最显眼的信号是新建的管理员账户和域之间新建的信任关系，不管敲键盘的是人还是机器。

@omarsar0
https://x.com/omarsar0/status/2119897465625403419
omarsar0 说，做开放科学最大的阻力不在复现论文，而在那些用来改进 AI 系统某个环节的 autoresearch 循环，它们老是撞上拒绝回答。帖子讲得很克制：Anthropic 怎么处置自家模型是它的自由；提递归自我改进，是因为一个想跑这类循环的科研人员真的会很难受。按作者的说法，复现论文多数时候也会失败。这是一手的反馈：循环卡住不是因为能力不够，而是因为政策，这是另一种天花板。

@agentwirenews
https://x.com/agentwirenews/status/2119849736085639597
agentwirenews 提到 Cloudflare 11 月 9 日发的一个实验性示例：把 Codex 的 agent 循环跑在 Workers 上。Codex 用 Rust 写的回合逻辑被编译成 WebAssembly，放进一个 Durable Object 里，所以对话、文件和已经完成的工具调用在重启之后都还在。这跟长时间 agent 运行里反复被提起的持久化执行是同一个思路，只不过打包成了无服务器模板，而不是集群运行时。容器一回收循环就死的人，可以花很小的成本试一试。

@udit19199
https://x.com/udit19199/status/2119784573072449556
udit19199 纠正了大家对微软那组提速数据的解读。微软自己说，从 7.9 秒降到 2.7 秒，很大一部分来自把 agent 循环从一个很慢的容器里挪了出来，而不是因为改用 Rust 重写。所以这个数字说的主要是循环跑在哪里，不是用什么语言写的。帖子很短，但在有人把它当成语言性能对比引用之前，这个纠正很有必要。

@notbradyy
https://x.com/notbradyy/status/2119854756168372381
notbradyy 做了一个 Grok bot，会就一个话题一路往下挖，直到你喊停。循环借自 Karpathy 的 autoresearch：提问，给出假设和备选，调查，保留、修改或否决，记下改了什么，沿最强的分支继续，周而复始。让它教 ChatGPT 广告，它先给一个快速答案让人马上上手，然后一阶段一阶段往下讲了三个小时，最后还交出一个压缩包，用来给作者正在做的品牌搭广告 agent。最实在的是作者自己的警告：不喊停它就不停，忘了喊额度就烧光了。这是把 autoresearch 从代码搬到了学习上，连失败方式都一样：没有预算上限的循环。

@OGALANGLEY
https://x.com/OGALANGLEY/status/2119866170056814979
OGALANGLEY 的观点是：哪怕你用多个 agent 互相盯着来防奖励作弊，对着基准跑 auto-research 循环，仍然有太多变量不在掌控之中。决定性能数字的很多因素藏在操作系统本身，想拿到干净的信号，可能得用自己改过的 Linux。对拿速度做爬山优化的人，这是个有用的提醒：循环只能改进它能固定住的东西。

@enekes_abel
https://x.com/enekes_abel/status/2119861118407700885
enekes_abel 划出了一条比名字之争更重要的分界。内循环是跑在 agent 循环里面的东西，类型检查、lint、单元测试，它能在干活的过程中纠偏。外循环是改动之后才跑的东西，CI 里的端到端测试和线上监控，它只能评判结果。两样都得有；把它们混为一谈，团队就会得到一个本地全绿、一上生产就坏的 agent。

@iamMrDuncan
https://x.com/iamMrDuncan/status/2119875696201732389
iamMrDuncan 正在做一个分布式 auto-research 项目 Thermite，想把同一套机制用到安全合规上。不再对着解码速度爬山，而是对着真实安全模型的覆盖率百分比爬山。作者在另一条回复里说，在这类循环里，Opus 5.5 当研究员和老师仍然能带来很大的提升，用不着更大的模型。想法还早，但形状是对的：合规分数是一个可以改、可以量的目标，autoresearch 要的也就这么多。

@SebastienGllmt
https://x.com/SebastienGllmt/status/2119801910492631268
SebastienGllmt 在重新想一个问题：有了 autoresearch，zkVM 还是终点吗？zkSecurity 用 AI 优化定制电路的工作说明，有些细微的优化人会漏掉，而通用 zkVM 根本表达不出来。如果 agent 循环能低成本地生成并调好定制电路，为了通用性付出的 zkVM 开销就越来越说不过去。这是 autoresearch 改变架构选择、而不只是在既有架构里调参的一个好例子。

@georgwiese
https://x.com/georgwiese/status/2119902016352968937
georgwiese 在同一串讨论里接话，希望办一个端到端的 autoresearch 挑战赛，至少覆盖 zkVM 的算术化层。设计空间很大，powdr 做的 autoprecompiles 只碰到了表面。把它做成公开挑战是聪明的一步：有了共同的基准，零散的 agent 实验才会变成大家能横向比较的结果。

@askalphaxiv
https://x.com/askalphaxiv/status/2119881403966116069
askalphaxiv 发布的数据：Fable 5.2 在 Terminal-Bench-Science 0.1 上拿到 74.6%，Fable 5.1 是 52.6%，Opus 5.5 是 58.7%，GPT-6 Astra 是 68.1%。alphaXiv 已经上线了用 Fable 5.2 跑的 autoresearch。一个版本在科研 agent 基准上涨 22 分，幅度很大；但这仍是离厂商很近的数字，加上今天 DeepSWE 那个分数一碰就变的结果，更有理由先看逐题明细。

@yeemio
https://x.com/yeemio/status/2119699858844270891
yeemio 做的 OwlRunKit，瞄准的是 agent 干活时那些一点也不光鲜的故障：会话在任务中途结束，测试在错误的版本上通过，几个 agent 互相踩脚。卖点不是更聪明的 agent，而是一层能在这些断点之间让活继续往下走的东西。帖子里没什么数字，但这张问题清单，跟今天 Git 后端重写和持久化执行模板想解决的是同一类事。

@rustygoldcoin
https://x.com/rustygoldcoin/status/2119879266661777677
rustygoldcoin 改了 LivingWords 的 agent 循环：先识别意图，不再每一轮都把所有能用的工具一股脑塞给模型。作者说整个 AI 的表现都变了。帖子只有一句话，但这是反复出现的结论：每一轮少给模型看几件工具，效果常常胜过换一个更大的模型。