Loop 日报: 2026年7月21日
今天最清楚的一个信号是，autoresearch 已经不再专指写代码了，而是变成了：只要一个问题有可编辑的文件、又有可量化的分数，就能拿它来跑。有人通魔法门英雄无敌的 bot、有人跑 CUDA kernel、有人调机器人控制策略、还有人拿它优化自己的科研 harness。另一半讨论则往上走了一层，重点不是「这是我的 loop」，而是「loop 连跑好几天会在哪崩」——记忆、trace、确定性回放，以及判断模型到底该不该动脑子。工具本身已经白菜化了，真正有争议、有门槛的是围绕它们的工程纪律。
#1
@parfenchuk
https://x.com/parfenchuk/status/2078944720630247589
他本想看看 LLM 打一整局魔法门英雄无敌 III 的水平如何，但逐回合下太慢，于是干脆让模型去 autoresearch 这些 bot：在 300 局测试对战里迭代一个脚本 bot，再把产出的 bot 拉进联赛互打。结果 GPT-5.6 Sol 在 xhigh 下拿金，GPT-5.5 xhigh 拿银，Claude Opus 4.8 high 拿铜。这是整个趋势最干净的一次体现：模型不是在打游戏，而是在写和打磨那个负责打游戏的东西。Fable 则以太危险为由拒绝接这活。
https://x.com/parfenchuk/status/2078944720630247589
他本想看看 LLM 打一整局魔法门英雄无敌 III 的水平如何，但逐回合下太慢，于是干脆让模型去 autoresearch 这些 bot：在 300 局测试对战里迭代一个脚本 bot，再把产出的 bot 拉进联赛互打。结果 GPT-5.6 Sol 在 xhigh 下拿金，GPT-5.5 xhigh 拿银，Claude Opus 4.8 high 拿铜。这是整个趋势最干净的一次体现：模型不是在打游戏，而是在写和打磨那个负责打游戏的东西。Fable 则以太危险为由拒绝接这活。
#2
@yacineMTB
https://x.com/yacineMTB/status/2078817976153682256
他在自己业余机器人的 autoresearch 环境里，让 GPT-5.6 Sol 给正在训练的控制策略整点新花样，结果在等一个十小时的超参搜索期间，模型没闲着，自顾自地去翻 bug、无人提示地改进整个代码库。这种空闲期的行为才是真正的产品价值：一个 agent 不把长任务当成等待，而当成把其他一切变得更好的免费时间。这就是 autoresearch 从模型层渗进普通机器人工程的一个例子。
https://x.com/yacineMTB/status/2078817976153682256
他在自己业余机器人的 autoresearch 环境里，让 GPT-5.6 Sol 给正在训练的控制策略整点新花样，结果在等一个十小时的超参搜索期间，模型没闲着，自顾自地去翻 bug、无人提示地改进整个代码库。这种空闲期的行为才是真正的产品价值：一个 agent 不把长任务当成等待，而当成把其他一切变得更好的免费时间。这就是 autoresearch 从模型层渗进普通机器人工程的一个例子。
#3
@kazani351
https://x.com/kazani351/status/2078817494559776964
一段藏在 newsletter 里的短话，抛出了今天最锋利的一个说法：某个 AI 实验室让 autoresearch 跑自己跑了八天，做出的科研 harness 比两年手工调优的还好。就算只是大致属实，这也正是大家一直在理论上念叨的递归自我改进——只不过它不是以宣言的形式出现，而是作为一个运维结果被交付出来。harness 改进 harness，才是真正要紧的那个 loop。
https://x.com/kazani351/status/2078817494559776964
一段藏在 newsletter 里的短话，抛出了今天最锋利的一个说法：某个 AI 实验室让 autoresearch 跑自己跑了八天，做出的科研 harness 比两年手工调优的还好。就算只是大致属实，这也正是大家一直在理论上念叨的递归自我改进——只不过它不是以宣言的形式出现，而是作为一个运维结果被交付出来。harness 改进 harness，才是真正要紧的那个 loop。
#4
@dobleio
https://x.com/dobleio/status/2078796383725781110
他从最近一次中国模型发布里读出一层不太隐晦的意味：他们用类似 autoresearch 的方法优化 GPU kernel，而且专门针对 H200（在中国被严格限制）以及某个替代厂商的 GPGPU 做了优化。他的解读是，对 kernel 做 autoresearch 现在成了地缘工具，是对 CUDA 护城河的一次进攻——因为只要 loop 能把 kernel 重定向到你实际买得到的任意芯片上，厂商锁定就会被削弱。这是难得一次把 autoresearch 当产业战略而非开发玩具来读的视角。
https://x.com/dobleio/status/2078796383725781110
他从最近一次中国模型发布里读出一层不太隐晦的意味：他们用类似 autoresearch 的方法优化 GPU kernel，而且专门针对 H200（在中国被严格限制）以及某个替代厂商的 GPGPU 做了优化。他的解读是，对 kernel 做 autoresearch 现在成了地缘工具，是对 CUDA 护城河的一次进攻——因为只要 loop 能把 kernel 重定向到你实际买得到的任意芯片上，厂商锁定就会被削弱。这是难得一次把 autoresearch 当产业战略而非开发玩具来读的视角。
#5
@RRicefan
https://x.com/RRicefan/status/2078707122553159980
他从一场 auto-research 黑客松里带出两条来自前 OpenAI VP 和一位 Meta 研究员的经验：现有 benchmark 饱和得太快，以及 auto-research agent 应该去推理该做什么，而不只是怎么做。他把这一点直接接到一个非编程领域：他们的量化交易 evals 恰好提供了这些——一个不会饱和的市场，加上一个用于构思和探索的策略生成 gym。难点在于问题选择而非执行，这个洞见是今天关于 loop 说得最有用的一句。
https://x.com/RRicefan/status/2078707122553159980
他从一场 auto-research 黑客松里带出两条来自前 OpenAI VP 和一位 Meta 研究员的经验：现有 benchmark 饱和得太快，以及 auto-research agent 应该去推理该做什么，而不只是怎么做。他把这一点直接接到一个非编程领域：他们的量化交易 evals 恰好提供了这些——一个不会饱和的市场，加上一个用于构思和探索的策略生成 gym。难点在于问题选择而非执行，这个洞见是今天关于 loop 说得最有用的一句。
#6
@ThePeelPod
https://x.com/ThePeelPod/status/2078920470687006883
他给自我改进的 loop 立了一条承重论点：一条你无法确定性回放的轨迹，是没法改进的。如果 trace 是和基础设施分开记录的，你就没法重跑第 1 到第 18 步、改掉第 18 步、再看结果有没有变好。把 trace 生成直接烤进 step 函数本身，可观测性就成了基础设施的衍生物，于是你能分叉路径、在 20% 用户上 A/B 两个 harness 改动、并在更低的 token 成本下确认同样的结果。自我改进是基础设施的一个属性，而不是外挂上去的东西。
https://x.com/ThePeelPod/status/2078920470687006883
他给自我改进的 loop 立了一条承重论点：一条你无法确定性回放的轨迹，是没法改进的。如果 trace 是和基础设施分开记录的，你就没法重跑第 1 到第 18 步、改掉第 18 步、再看结果有没有变好。把 trace 生成直接烤进 step 函数本身，可观测性就成了基础设施的衍生物，于是你能分叉路径、在 20% 用户上 A/B 两个 harness 改动、并在更低的 token 成本下确认同样的结果。自我改进是基础设施的一个属性，而不是外挂上去的东西。
#7
@learningPikachu
https://x.com/learningPikachu/status/2078864053351702814
他反驳了一场把公司建模成一堆自我改进 loop 的演讲，给出两条要紧的架构性修正。公司的记忆不是一颗大脑，而是个人记忆与关系记忆之和；真正算数的 loop 也不是单 agent，而是多 agent 的，策略、信任和效率都是在边缘处被协商出来的。这只是条短评，却把整个「公司即 loop」的想法重新框成了一个记忆与协商问题，而非一个 prompt 问题。
https://x.com/learningPikachu/status/2078864053351702814
他反驳了一场把公司建模成一堆自我改进 loop 的演讲，给出两条要紧的架构性修正。公司的记忆不是一颗大脑，而是个人记忆与关系记忆之和；真正算数的 loop 也不是单 agent，而是多 agent 的，策略、信任和效率都是在边缘处被协商出来的。这只是条短评，却把整个「公司即 loop」的想法重新框成了一个记忆与协商问题，而非一个 prompt 问题。
#8
@adxtyahq
https://x.com/adxtyahq/status/2078745000763064345
他把一家创业公司的 LLM 成本砍了 65-70%，从每次 prompt 3-4 美元降到 1-1.5 美元，机制是一个 agent loop，而非调 prompt。一个 prompt 分类器按范围和复杂度路由，让简单请求绕开贵模型；请求被拆成一个个 feature，每个跑 generate-test-regenerate 直到通过校验；生成是逐文件进行而非一把梭。之后才由另一个 agent loop 跑工具调用和校验，再流式输出。第一次尝试其实还把成本搞得更糟（每次 prompt 5 美元），花了好几周重建才降下来——一个有用的提醒：loop 工程是迭代的，也会倒退。
https://x.com/adxtyahq/status/2078745000763064345
他把一家创业公司的 LLM 成本砍了 65-70%，从每次 prompt 3-4 美元降到 1-1.5 美元，机制是一个 agent loop，而非调 prompt。一个 prompt 分类器按范围和复杂度路由，让简单请求绕开贵模型；请求被拆成一个个 feature，每个跑 generate-test-regenerate 直到通过校验；生成是逐文件进行而非一把梭。之后才由另一个 agent loop 跑工具调用和校验，再流式输出。第一次尝试其实还把成本搞得更糟（每次 prompt 5 美元），花了好几周重建才降下来——一个有用的提醒：loop 工程是迭代的，也会倒退。
#9
@reksas13
https://x.com/reksas13/status/2078706611460120767
他借化学来给正在发生的事命名：自催化，即产物会加速自己所在的反应。LangChain 的第四个 agent loop 正是如此——trace 喂给一个 agent，这个 agent 再改写自己的 harness，于是 loop 会复利式滚起来。这只是一句话的框定，却是最贴切的心智模型，能解释为什么自我改进的 loop 感觉和普通自动化不一样：它的输出会让下一次运行更快。
https://x.com/reksas13/status/2078706611460120767
他借化学来给正在发生的事命名：自催化，即产物会加速自己所在的反应。LangChain 的第四个 agent loop 正是如此——trace 喂给一个 agent，这个 agent 再改写自己的 harness，于是 loop 会复利式滚起来。这只是一句话的框定，却是最贴切的心智模型，能解释为什么自我改进的 loop 感觉和普通自动化不一样：它的输出会让下一次运行更快。
#10
@stretchcloud
https://x.com/stretchcloud/status/2078812095257498019
他记录了一个浏览器自动化模式，本质上是一个自我搭脚手架的 loop：agent 控制浏览器执行一次动作，同时把每个网络请求录进一个 HAR 文件，再从抓到的流量里推导出一个带类型的 API client，之后每次交互都彻底绕开浏览器。演示是用 GPT-5.6 Sol 在 3.5 秒内造出一个 Uber Eats CLI，全程看不到浏览器。更深一层的意思是，agent 正在变得擅长替换自己的脚手架——发现阶段用昂贵灵活的工具，执行阶段用便宜可靠的 client，这正是老练工程师的做法。
https://x.com/stretchcloud/status/2078812095257498019
他记录了一个浏览器自动化模式，本质上是一个自我搭脚手架的 loop：agent 控制浏览器执行一次动作，同时把每个网络请求录进一个 HAR 文件，再从抓到的流量里推导出一个带类型的 API client，之后每次交互都彻底绕开浏览器。演示是用 GPT-5.6 Sol 在 3.5 秒内造出一个 Uber Eats CLI，全程看不到浏览器。更深一层的意思是，agent 正在变得擅长替换自己的脚手架——发现阶段用昂贵灵活的工具，执行阶段用便宜可靠的 client，这正是老练工程师的做法。
#11
@ThibaultJaigu
https://x.com/ThibaultJaigu/status/2078828583716544699
他抛出一张真正令人意外的图：在 agent loop 中间，Kimi K3 比上一代想得更少，平均只用 120 个 reasoning token，但面对一个全新的用户 prompt 时会跳到 2,269 个。这是 19 倍的跨度，而 K2.7 只有 3.7 倍。模型学会了不出于习惯地思考，只在值得时才花推理，这正是你想要的长 loop 里的行为——毕竟每一个被浪费的 reasoning token 都会在几十次调用里被成倍放大。
https://x.com/ThibaultJaigu/status/2078828583716544699
他抛出一张真正令人意外的图：在 agent loop 中间，Kimi K3 比上一代想得更少，平均只用 120 个 reasoning token，但面对一个全新的用户 prompt 时会跳到 2,269 个。这是 19 倍的跨度，而 K2.7 只有 3.7 倍。模型学会了不出于习惯地思考，只在值得时才花推理，这正是你想要的长 loop 里的行为——毕竟每一个被浪费的 reasoning token 都会在几十次调用里被成倍放大。
#12
@Okeha1810
https://x.com/Okeha1810/status/2078733115791417570
他最大的代码改进策略，是一个会交叉验证任何生成计划的对抗式 agentic loop，被打包成了一个自定义 skill。这只是条小帖，却是本周一个清晰模式的一部分：杠杆最高的 loop 不是写代码那个，而是在任何代码写出来之前就试图把计划撕碎那个。把对抗式自审做成可复用的 skill，就是「judge 才是产品」这句话的实践版本。
https://x.com/Okeha1810/status/2078733115791417570
他最大的代码改进策略，是一个会交叉验证任何生成计划的对抗式 agentic loop，被打包成了一个自定义 skill。这只是条小帖，却是本周一个清晰模式的一部分：杠杆最高的 loop 不是写代码那个，而是在任何代码写出来之前就试图把计划撕碎那个。把对抗式自审做成可复用的 skill，就是「judge 才是产品」这句话的实践版本。
#13
@ZeroDayDevApp
https://x.com/ZeroDayDevApp/status/2078985865423196489
他用 Harbor 框架在终端 evals 上测试 agent，结论是真正的工作在于上下文管理和工具调用的纪律，而不在模型。有状态的 websocket 只是传输层；真正的问题是 agent loop 有没有强制最小权限的工具访问，还是默默假设模型会一直小心。这是一个很接地气的提醒：大多数 agent loop 的失败是 harness 的失败，而非智能的失败。
https://x.com/ZeroDayDevApp/status/2078985865423196489
他用 Harbor 框架在终端 evals 上测试 agent，结论是真正的工作在于上下文管理和工具调用的纪律，而不在模型。有状态的 websocket 只是传输层；真正的问题是 agent loop 有没有强制最小权限的工具访问，还是默默假设模型会一直小心。这是一个很接地气的提醒：大多数 agent loop 的失败是 harness 的失败，而非智能的失败。
#14
@D0xedDevi0
https://x.com/D0xedDevi0/status/2078678448038375644
他讲了自己搭的那套 agent 大脑：一个与厂商无关的 Hermes 风格 agentic loop，把 Hermes 的 XML tool_call/tool_response 块与可开关的 reasoning、以及 JSON/schema 模式交织在一起。这是一份很具体的工程记录，讲的是自己撸一个 loop 而不是套用框架，而与厂商无关这一点是最有意思的选择——让 loop 独立于任何单一模型厂商，正是本周整个生态都在冒出的那股可移植性本能。
https://x.com/D0xedDevi0/status/2078678448038375644
他讲了自己搭的那套 agent 大脑：一个与厂商无关的 Hermes 风格 agentic loop，把 Hermes 的 XML tool_call/tool_response 块与可开关的 reasoning、以及 JSON/schema 模式交织在一起。这是一份很具体的工程记录，讲的是自己撸一个 loop 而不是套用框架，而与厂商无关这一点是最有意思的选择——让 loop 独立于任何单一模型厂商，正是本周整个生态都在冒出的那股可移植性本能。
#15
@AndJakobsson
https://x.com/AndJakobsson/status/2078804498374447343
他把 OpenClaw、LangChain 和 Hermes 的对比做成了一棵靠玩来解锁的能力树，形状很能说明问题。LangChain 那棵从 agent harness 和工具调用一路延伸到 RAG、编排和 middleware；OpenClaw 那棵全都围着网关转——channel 插件、会话隔离、人格、路由；Hermes 那棵则是自我改进的自主 agent——持久记忆、会话搜索、agent 给自己写的 skill 文档、execute_code 和子 agent 委派。这是一个很干净的方式，让你看清这三个所谓「agent」工具其实在解三个完全不同的问题。
https://x.com/AndJakobsson/status/2078804498374447343
他把 OpenClaw、LangChain 和 Hermes 的对比做成了一棵靠玩来解锁的能力树，形状很能说明问题。LangChain 那棵从 agent harness 和工具调用一路延伸到 RAG、编排和 middleware；OpenClaw 那棵全都围着网关转——channel 插件、会话隔离、人格、路由；Hermes 那棵则是自我改进的自主 agent——持久记忆、会话搜索、agent 给自己写的 skill 文档、execute_code 和子 agent 委派。这是一个很干净的方式，让你看清这三个所谓「agent」工具其实在解三个完全不同的问题。
#16
@cheese_big80393
https://x.com/cheese_big80393/status/2078753499786186829
这是给所有 loop 狂热最诚实的一记回击：他这版 AI 精神病，是想把自己日常做的每件事都变成一个 agent loop，然后花上几个小时几天在改进它上兜圈子，最后又几乎不用它的产出。这只是条随手回复，却点破了 autoresearch 时刻真正的失败模式：loop 变成了爱好而非工具，打磨 loop 这件元工作悄悄挤掉了它本该服务的那件正事。
https://x.com/cheese_big80393/status/2078753499786186829
这是给所有 loop 狂热最诚实的一记回击：他这版 AI 精神病，是想把自己日常做的每件事都变成一个 agent loop，然后花上几个小时几天在改进它上兜圈子，最后又几乎不用它的产出。这只是条随手回复，却点破了 autoresearch 时刻真正的失败模式：loop 变成了爱好而非工具，打磨 loop 这件元工作悄悄挤掉了它本该服务的那件正事。
📡 生态产品雷达
生态产品雷达
Claude Code 和 Codex 仍是大家把 loop 包在外面的默认 harness。Hermes 被反复当成自我改进 agent 的那个选项（持久记忆、自写 skill、子 agent 委派）。LangChain 因其第四个会改写自己 harness 的「自催化」agent loop 被点名。Kimi K3 因逐 loop 自适应推理而受关注。而 AGI House 则持续举办 auto-research 黑客松，这套方法论有很大一部分正是在那里公开地被打磨出来的。
Claude Code 和 Codex 仍是大家把 loop 包在外面的默认 harness。Hermes 被反复当成自我改进 agent 的那个选项（持久记忆、自写 skill、子 agent 委派）。LangChain 因其第四个会改写自己 harness 的「自催化」agent loop 被点名。Kimi K3 因逐 loop 自适应推理而受关注。而 AGI House 则持续举办 auto-research 黑客松，这套方法论有很大一部分正是在那里公开地被打磨出来的。
评论