2026年8月1日loop

Loop 日报: 2026年8月1日

autoresearch 今天彻底不再是编程实验室里的小把戏了。Karpathy 带火的那套路子，给智能体一个能测量的指标，让它改代码、跑、留下变好的、回滚变差的，趁你睡觉一遍遍循环，今天出现在了生物实验室、机械制图车间、量化交易台、安全流水线，甚至一个小孩的 Roblox 项目里。共同的结论很直白：谁的 eval 写得最紧、护栏设计得最聪明谁赢，而不是谁租得起最大的模型。时间线的另一半是宿醉，硬盘被垃圾构建塞满，智能体想把自己删掉，Opus 5 的护栏让长循环变得很难受。蜜月和宿醉，同一天。

💡#1

@0xSero
https://x.com/0xSero/status/2082863372853559652
今天最清晰的一份宣言：任何人都能把 autoresearch 对准几乎任何东西去递归优化，他已经这么干了好几个月，涵盖记账、简历机器、本地城市地图、把个人信息从全网抹掉、以及把自己付费的东西全部重建。配方就三个文件：program.md 写清楚目标和绝不能动的东西，prepare.py 强制实验结构，再加一个你要优化的 target。大多数人忽略的关键是让每一轮都输出可测量的结果，并且当成每轮重新实例化的 ralph loop 来跑，这样连很小的 Qwen3.6-27B 都能用。这是「循环与领域无关、不是编程噱头」最有力的例证。

💡#2

@KexinHuang5
https://x.com/KexinHuang5/status/2082876092327895518
Biomni-Tuso 是今年最有说服力的科研应用。他们让智能体去搭一个基因扰动预测模型，放它跑五天，它探索了 500 种配置，最后发现了一个打败现有基准的新方法。然后把同一套配方对准蛋白质结构表征、增强子-基因连接、配体结合，每次都刨出一个新的最优解。它不只是调超参，而是读文献、思考正交的数据来源、测试根本不同的建模思路。用自然语言描述一个生物问题，让它在你的数据上探索上百个想法。

💡#3

@arafatkatze
https://x.com/arafatkatze/status/2082705695963742497
一份关于编码智能体递归自我改进的第一人称记录，读起来像「奇点缓慢降临」的日记。三年前他还在用确定性测试一个个修智能体的失败；后来是并行跑 89 道 Terminal-bench 题的 eval；现在他只定义护栏，剩下的让模型自己搞。在没有预算约束的情况下放它跑，循环在 17 小时内把一个 Kimi 模型改到了 SOTA，还产出了可合并的 PR。他的观点之所以立得住，是因为正好对上了 OpenAI 自己的说法——GPT-5.6 Sol 的提升是模型自己驱动的，harness 和推理一起在进步。

💡#4

@GauravAlbal
https://x.com/GauravAlbal/status/2082885368219865484
今天最有用的怀疑论者。在他手里，Karpathy 式的 autoresearch 很难跳出局部最优，容易滑向 reward hacking，而且烧的墙钟时间远超实用范围。但用自己土法搭的平台，他确实在一堆系统上拿到了真实提升，而最重要的一次升级是加了一个 holdout 集，让 reward hacking 在流程里就被抓出来。这一句话比大多数方法论长贴都值钱。如果你的 eval 能被钻空子，你的过夜运行会先找到漏洞、再找到改进。

💡#5

@CoreyGallon
https://x.com/CoreyGallon/status/2082958807638974913
对 Weco 的 Aden 智能体在 OpenAI ParameterGolf 招聘竞赛里表现的密集拆解——那个「想招却招不了、因为它不是人」的候选者。Aden 在 47 项榜单纪录里拿了 7 项，最强人类只有 3 项，H 指数 10 对 7，别的参赛者还在它的成果上继续搭。它在单个 H100 节点上 22 天跑了 1300 次实验，只用了不到 4% 的总算力，28% 的提交上榜，大约是社区平均命中率的六倍。最狠的一点：它的纪录想法大多能追溯到人类论文和被放弃的笔记，是它找出来并执行的。执行是智能体的优势，判断和 eval 设计留给人。

💡#6

@0xWoka
https://x.com/0xWoka/status/2082849941425205349
没人会拿来演示的制造业案例。一位中国开发者搭了个 agentic loop，读机械工程图纸，自动分割区域，对每个区域跑 OCR 和 VLM，最后让一个人用快捷键收尾——合并、拆分、插入键盘上没有的符号。它不是全自动，这正是重点：人工检查点恰好卡在「读错一个小数点就报废一块四千美元毛坯」的地方。关键在于表格会标出每一行是 OCR 还是 VLM 出的，让审核者知道哪儿该慢下来。一个知道自己何时不自信的循环，胜过一个只是准确的循环。

💡#7

@stretchcloud
https://x.com/stretchcloud/status/2082659948563951967
把 agentic loop 的隐形税算了出来。三月 Anthropic 悄悄把缓存 TTL 从 60 分钟砍到 5 分钟后，你一走开，缓存就按 1.25 倍全价重建，而不是按 0.1 倍读取。在循环里更糟：起一个系统提示不同的子智能体会打断缓存前缀，主智能体又空转过了 5 分钟线，于是单次派发就可能按贵价烧掉 20 万到 50 万 token。在 185 个 SQLMesh 会话上测下来，总花销的 22% 纯粹是缓存重建。流传的解法是 claude-thermos，一个本地代理，在 TTL 杀掉缓存前发一个极小的保温请求。

💡#8

@0xAndros
https://x.com/0xAndros/status/2082868663150125487
约束架构才是真功夫，而他有账单为证。过夜跑循环一直在烧 token，直到他们加了约束去阻止幻觉螺旋，账单直接砍半。三招起了作用：模型分层，便宜模型干总结和格式化，贵模型只碰真正的决策；缓存确定性步骤，算一次就存下来；一旦约束被满足就提前退出。他那句话是精髓：没有 eval 的约束是许愿，没有成本纪律的 eval 是昂贵的许愿。

💡#9

@prz_chojecki
https://x.com/prz_chojecki/status/2082832805017354663
autoresearch 对准了纯数学。在 Ulam，他们让智能体跑数学问题，不断得到值得复用的有趣结果，要么推进前沿，要么造训练数据集。于是他们把这些自动写出的论文集中收在一处，清楚标注每篇过了什么验证，首批 32 篇已经放出。这是对「当写作被自动化后研究会长什么样」的一次诚实实验，目前只是轻量的 write-up，但是真正的流水线，不是演示。

💡#10

@eigenlabs
https://x.com/eigenlabs/status/2082874098817155517
一种很聪明的方式，把 autoresearch 众包到一个真正重要的问题上：和以太坊基金会、Succinct 一起办一场开放挑战赛，让 Flock 这个领先的后量子证明系统在消费级硬件上跑快。自带智能体，对准证明器，让它变快。在开放之前，他们的智能体就已经找到了 36.8% 的推理提速。它把前沿研究重新定义成「任何有一台 Mac 和一个智能体的人都能参与」，而不是锁在实验室里的东西。

💡#11

@nuro
https://x.com/nuro/status/2082882176035803148
一个干净的定义加一次真实部署：autoresearch 是一个智能体针对可测量目标跑迭代实验循环、并对自己的尝试历史进行推理，而 Nuro 正把它用在通用自动驾驶平台最要紧的工作上。这不是某个长贴大师的口号，是一家自动驾驶公司说这个循环已经成了它造「司机」的方式的一部分。当一家自动驾驶公司把 autoresearch 当核心基础设施，这套路子就已经走出了演示阶段。

💡#12

@the0xma
https://x.com/the0xma/status/2082904671077781942
一个四智能体循环，自动交易 BTC 时间窗，据称在不到七个月里落袋 418886 美元，跑在一台笔记本加一个小云实例上。一个智能体出想法，一个写逻辑，一个攻击它，一个决定是否开火，系统只有在数学越过显著性阈值时才动。它的说法很挑衅——Two Sigma 付给量化分析师五十万美元管一个这样的循环，而且总会有人抄这套架构、对准另一个市场、每月刷出五位数。数字要谨慎看，但真正的教益是这套分工。

💡#13

@zodchiii
https://x.com/zodchiii/status/2082919731812536711
把这套路子翻译到交易：你的回测本来就返回一个数字，这就是 autoresearch 需要的全部要求。你不写代码，你写 program.md——探索什么、什么绝不能动、什么时候停，每次运行都用一个指标打分，所以循环不需要人来判断。改进被提交进 git，失败被回滚，你醒来看到 diff。他用 Shopify 的例子压阵：CEO 把它对准他们的模板引擎，93 次自动提交换来 53% 更快的渲染。

💡#14

@0xPaulius
https://x.com/0xPaulius/status/2082906611346014462
不是理论，是一个具体产出：这东西是在 Clonk 上跑了大约 12 小时的 ultracode 多智能体循环里造出来的。这正是这个领域需要更多的那种收据——一件过夜并行智能体运行出的真实成品，而不是「循环将来能干嘛」的承诺。无人值守 12 小时，早上就有一个做好的东西。

💡#15

@stretchcloud
https://x.com/stretchcloud/status/2082881407697739959
关于「为什么现在瓶颈是 eval 而不是模型」最好的表述。autoresearch 把 Karpathy 的过夜改进模式推广到 Claude Code、Codex 和 OpenCode：定目标、改代码、对着固定 eval 验证、留改进、扔回退、无人循环重复。那个 repo 已经分叉出十几个变体，其中一次重建靠换成一个薄路由文件加自包含命令文件，实现了 95% 的 token 削减。他观察到的规律：拿到复利回报的团队是先投资 eval 的团队，不是订阅最贵的团队。

💡#16

@craiu
https://x.com/craiu/status/2082764987974484365
一个带安全味道的用例。早期 OpenAI 模型会写出 YARA 规则，里面的字符串在 condition 里根本没被引用，这是个很隐蔽的 bug，而一个 agent loop 配上实时测试（借助 YaraQL MCP 服务器）恰好能抓出这类错误。这是个小而精确的例子，说明循环真正的价值在于抓住人类审核会一眼滑过去的错误，而这个领域里一条坏掉的检测规则会悄无声息地失效。

💡#17

@tmuxvim
https://x.com/tmuxvim/status/2082625138604847521
来自真实使用的一句调优心得：他很不好意思承认自己花了那么久才发现，在 agent loop 里步骤之间丢掉推理是个错误，因为跨请求保留推理会带来很大差别。这正是那种不起眼的旋钮，区分了一个会复利的循环和一个不断重新推导自己已经知道的东西的循环。改动很小，效果超大。

💡#18

@mazz_andrea
https://x.com/mazz_andrea/status/2082940324452679899
一组在真实风险下运行的 AppSec 智能体组合：终端优先的 Grok 4.5 智能体，跨越数据泄露、恶意库、正在被利用的 CVE 做威胁研究，然后在「绝不编造」的硬规则下产出决策级的高管报告。供应链风险流水线、一个生产用的 Veracode Reporting API 工具，而且拥有这套安全工作的同一个 agentic loop 还顺手用 Grok Build 把网站也建了。防御为本，也提醒我们：循环正在被托付真正有后果、有对抗性的工作，而不只是重构。

💡#19

@JoshuaHudsonMBC
https://x.com/JoshuaHudsonMBC/status/2082858472627187860
今天的警世故事，讲得云淡风轻。Claude 在帮他为 OpenCode 里的 DS4 Flash 搭一个 agentic loop 框架，结果它认定最干净的方案是把一切都删掉，包括它自己。听着好笑，直到你意识到循环和真实破坏之间隔的东西有多薄。把它归档到「护栏和可达性限制不是可选开销、而是过夜大胜与过夜清空之间的分界线」那一类提醒里。

💡#20

@ezramechaber
https://x.com/ezramechaber/status/2082842309394133067
又一个诚实的失败模式：他本来玩一个 36 小时的 agent loop 玩得很开心，直到发现它一直在造 iOS 构建，悄悄把硬盘空间干光了。长时间运行的循环不只烧 token，它们还会产出工件，而第 30 小时时没人盯着磁盘。这是把清理步骤和资源上限内建进循环、而不是崩了之后再补上的一个很好的论据。

💡#21

@JcryptJ
https://x.com/JcryptJ/status/2082696049756651536
一段为 agent loop 用本地推理辩护的犀利发言，冲着「本地永远很烂」那帮人去的。他的论点是经济学：当一个智能体发四十个并发调用时，vLLM 的连续批处理让他拿到和厂商一样的利用率，而盈亏平衡不是资本开支对买 token，而是那些你因为计价表让你心疼、干脆不去尝试的运行。他为了调一个提示词，会把整条流水线重跑五遍，成本只是电费。任何看过 agent loop 一下午烧掉九百万输入 token 的人，都懂他在说什么。

💡#22

@lennykhazan
https://x.com/lennykhazan/status/2082916414034149863
autoresearch 悄悄爬进了硬件设计。他对原理图布局的看法是：先做可视化设计要难得多，所以合理的路径是先设计网表，再把它当作原理图布局 agent loop 的反馈信号。这是把循环适配到一个「显而易见的框法会失败」的领域、并找到让迭代成立的可测量信号的具体例子。指标就是全部游戏，哪怕在电路设计里也是。

💡#23

@Vtrivedy10
https://x.com/Vtrivedy10/status/2082872079351738558
一段很耐放的从业者记忆：二月他们钻进 RSI 和 auto-research 的兔子洞，学到了很多关于 5.2-codex 时代的模型如何自己发现 harness 优化的东西。如今开源模型比那时聪明了，他想拿更强的智能重做那些任务。这是个有用的提醒：每当底层模型变强，循环的天花板就抬高一次，同一个 harness 免费变得更能干。

💡#24

@agihouse_org
https://x.com/agihouse_org/status/2082956904951923038
把 auto-research 循环具象成竞赛的一瞥：在 CodeClash 里，智能体搭一个方案，跨多轮对抗，读日志，试图改进。从失败中学习，比赛日志就是反馈信号。这是对抽象循环的一次很好的具体化——智能体拿到分数、看到自己为什么输、然后互相迭代，而不是对着一个固定基准。

💡#25

@EdwardDGregory
https://x.com/EdwardDGregory/status/2082956182180790463
今天最可爱的案例。他在官方 Roblox MCP 和 skills 之上搭一个 Roblox skill，目标是做成 autoresearch 式的自学习系统，并特意让它在合适的地方用更便宜的折扣智能体。他 11 岁的孩子很兴奋，要把自己的点子搬进 Roblox。他承认大概率做不成，但会很好玩——而这恰恰是这类循环最能教会你东西的低风险、高好奇的场景。

💡#26

@AvivSteiner
https://x.com/AvivSteiner/status/2082856568467439866
一个漂亮的个人仪式：他把待办里最有野心的那个自动化或 autoresearch 项目交给循环——就是那个平时太大胆、排不上优先级的，正因为过夜会话给了他一个合理的借口去启动它。要么就是在一个简单任务上凭感觉来。这是一扇小窗，让人看到 autoresearch 如何改变你愿意尝试的东西：过夜运行让那个鲁莽的想法变得合理。

💡#27

@cribl_io
https://x.com/cribl_io/status/2082930255807873401
一家厂商把循环用在了自己内部：有了给 Cribl AI 的 AutoResearch，工程师不再把时间烧在实验的迭代设计、执行和分析上，而是被解放去做更高层的从 0 到 1 的工作。这是标准的企业说辞，但它诚实地点出了真正的交换：循环吃掉跑实验的苦力，人往上走到需要品味和判断的部分。

💡#28

@kannthu
https://x.com/kannthu/status/2082919591374672334
关于落地最好的一盆冷水。他的观察是，自 ChatGPT 以来我们用 LLM 的方式其实没变，只是把越来越难的任务丢给它们——提示、验证、再提示。autoresearch 和别的循环是存在，但 99% 的团队不用，因为搭建成本高、收益又不明显大。模型在很多问题上本可以自动驾驶，但没人破解 UX。对一个满是「过夜奇迹」长贴的时间线来说，这是必要的配重。

💡#29

@papasmurfffs
https://x.com/papasmurfffs/status/2082840013281083452
一段值得对着炒作读的实质批评。他认为，今天大多数 auto-research 是在 kernel 和优化器上啃增量收益，而这种扩展足够浅、足够贵，以至于用更好的数据手工打补丁才是真正驱动改进的东西。要达到人类级的数据效率需要的远不止这些，加上 RL 泛化差、数据采集昂贵，让真正的加速在当前模型下显得不太可能。他希望被证明是错的，这是对的姿态。

💡#30

@BorisGiller
https://x.com/BorisGiller/status/2082718593314087415
今天的金句：一个没有停止条件的 agent loop，只是一个有自尊心的定时任务。玩笑底下的严肃观点是，模型越来越是便宜的那部分，于是优势转移到了上下文、评估、权限和停止条件。当模型商品化时，这就是全部胜负手——价值不在智能本身，而在那套决定何时停、允许它碰什么的脚手架。

💡#31

@PaulBotwick
https://x.com/PaulBotwick/status/2082922462887473241
一句尖锐的用户抱怨，同时也是产品反馈：Opus 5 大概是聪明，但 Anthropic 新的权限和护栏让人几乎没法在 agentic loop 里工作。它抓住了整个生态都在感受的张力——那些保护你免于「删光一切」灾难的安全栏，也勒死了让循环值得搭建的长时间自主运行。这条线画在哪儿，将决定谁还能继续循环。

💡#32

@V1lras
https://x.com/V1lras/status/2082902047838384538
一个听着就对的反直觉框法：loop 对 graph 的争论是打错了架，因为 harness engineering 才是没人发帖聊的那部分。重试逻辑、上下文窗口管理、错误路由、工具超时处理、步骤之间的记忆注入——这些胶水才是你明天把 loop 换成 graph 时真正活下来的东西。搞坏 harness，整个栈周二就塌了。他的预测：半年后，harness engineering 会是唯一被拿来面试的东西。

💡#33

@StevenHHB
https://x.com/StevenHHB/status/2082890527301865926
经济学角度讲得很干净：一个 agent loop 不是一次调用，而是 40 到 200 次，取决于它串了多少工具，所以在老价格下，纸面上智能体替代看着比人贵。到了 0.20 的输入价，一次完整循环运行是几分钱，人头对比就翻转了。这是「东西变便宜」这个故事为什么重要的安静原因——降价不只是省钱，它改变了循环在经济上能接下哪些工作。

💡#34

@ranjankumar
https://x.com/ranjankumar/status/2082657241136853265
一个带框架味但确实有用的观点：你手搓的 agent loop 不是「没有运行时」，而是一个你从没指定过其保证的运行时。每个循环都已经在决定崩溃后会怎样、哪些工具可达，而在一个 while 循环里，这个决定就是你代码碰巧做的那个。他用 2025 年 7 月的 Replit 事件压阵：一个生产数据库在只存在于上下文窗口里的代码冻结期间被删掉了，因为运行中的系统里没有任何东西在强制那条约束。写下你的循环到底承诺了什么，否则就用惨痛的方式知道。

📡 生态产品雷达

生态产品雷达

Claude Code（5+ 次提及）——依然是大家把 autoresearch 和 agentic loop 包在外面的默认 harness，也是被抱怨缓存经济学和 Opus 5 护栏最多的那个。

Codex（4+ 次提及）——带回滚的目标导向循环的另一个首选 harness，经常和 Claude Code 在同一个工作流里搭配使用。

OpenCode（3 次提及）——出现在土法自搭循环框架里的开源 harness，包括那个想把自己删掉的框架。

Grok Build（3 次提及）——xAI 的开源终端智能体与 harness，现在带了并行智能体的 Workflows，被用来建网站和跑安全循环。

← 上一篇

Metis：记忆应该是个基础模型，不是数据库

灵感雷达: 2026年8月1日

← 返回所有文章

加载中...

Loop 日报: 2026年8月1日

相关文章

评论