Loop 日报: 2026-10-16
这一周，做循环的人在一个诊断上达成了一致，在药方上吵了起来。诊断是：自动研究 agent 会停滞，停滞的原因是它记住了什么，而不是它能做什么。这周落地的药方叫遗忘。伯克利等机构的一篇新论文把一队 agent 重置到目前找到的最优解、把其他东西全扔掉，报告在尝试的四个任务上全部领先，包括 Anthropic 的 VLIW 内核挑战和 nanochat-autoresearch，比单个长跑 agent 高 22%。GEPA 的作者把同一个想法追溯到 2024 年：一群 GPT-4o agent 靠对每个工作者隐藏一部分状态，破解了 o1 发布时那道密码题。与此同时，去中心化的整数乘法项目仍在跑最大的活体实验：24 小时 518 个 PR、64 位贡献者，一项新纪录的起点是一个自己标注「无提升」的 PR，附带的发现是 agent 之间共享上下文反而有害，直到用检查点文件替换了靠模型调用做的摘要。边缘地带也热闹：一个用在机器人控制上的 agent 循环会根据逆运动学报错修补自己的定位函数，树莓派上跑一百个 microVM 里的 agent，周末用 DuckDB 搭出的循环，一小时自治 agent 实测带缓存 1.93 美元、不带 6.92 美元，还有一位 harness 作者因为 agent 花了三天写 markdown 却不开工而删掉了时间估算规则。
#1
@ShangyinT
https://x.com/ShangyinT/status/2110771398209863821
ShangyinT 发布了论文《Scaling Discovery Requires Forgetting》，起点是一个观察：带编码 agent 的自动研究现在能在一个问题上跑好几天，却越来越多地早早停止进步。解法是遗忘：定期把整队 agent 重置，只从目前最好的候选重新出发。配套的帖子里作者列出了用更多算力扩展自动研究的三条路，让一个 agent 跑更久、并行跑多个、或者让它们互相交流，并指出三条路都会在预算远未用完时就进入平台期。在 AtCoder 启发式竞赛 014、Frontier-CS Q171、Anthropic 的 VLIW 内核挑战和 nanochat-autoresearch 四个任务上，遗忘版的 agent 团队全部领先，平均比并行 agent 高 10%，比单个 agent 高 22%。
https://x.com/ShangyinT/status/2110771398209863821
ShangyinT 发布了论文《Scaling Discovery Requires Forgetting》，起点是一个观察：带编码 agent 的自动研究现在能在一个问题上跑好几天，却越来越多地早早停止进步。解法是遗忘：定期把整队 agent 重置，只从目前最好的候选重新出发。配套的帖子里作者列出了用更多算力扩展自动研究的三条路，让一个 agent 跑更久、并行跑多个、或者让它们互相交流，并指出三条路都会在预算远未用完时就进入平台期。在 AtCoder 启发式竞赛 014、Frontier-CS Q171、Anthropic 的 VLIW 内核挑战和 nanochat-autoresearch 四个任务上，遗忘版的 agent 团队全部领先，平均比并行 agent 高 10%，比单个 agent 高 22%。
#2
@AlexGDimakis
https://x.com/AlexGDimakis/status/2110808302796108249
论文作者之一 AlexGDimakis 用两句话讲清机制：agent 做自动研究时会对自己的旧想法产生执念，只做增量创新，于是用一个上下文管理技巧强迫它们忘掉除当前最优解之外的一切。仅此一项就能把它们拉出想法盆地，产出更新颖的解。帖子明确把这项工作和几天前发布的 Fork and Flush 以及想法盆地的提法挂钩，这意味着两周内已有第三个独立团队得出同一结论。
https://x.com/AlexGDimakis/status/2110808302796108249
论文作者之一 AlexGDimakis 用两句话讲清机制：agent 做自动研究时会对自己的旧想法产生执念，只做增量创新，于是用一个上下文管理技巧强迫它们忘掉除当前最优解之外的一切。仅此一项就能把它们拉出想法盆地，产出更新颖的解。帖子明确把这项工作和几天前发布的 Fork and Flush 以及想法盆地的提法挂钩，这意味着两周内已有第三个独立团队得出同一结论。
#3
@LakshyAAAgrawal
https://x.com/LakshyAAAgrawal/status/2110851700529791144
GEPA 的作者 LakshyAAAgrawal 补了前史。2024 年 9 月，OpenAI 发布 o1 时的头号案例是一道 GPT-4o 破不了的密码题；团队做了一群 GPT-4o 工作者，每个只能看到随机抽取的一部分状态文件来推进状态，每轮都用全新上下文重启，这个带 dropout 的蜂群大约 20 轮就破了题。这些想法后来变成了 GEPA，它的提案者被刻意设计成永远看不到全部状态。此后编码 agent 把单次运行从几次调用拉长到几天，遗忘的需求也随之追上来；现在的 omni 流水线会把一个停滞的优化器的最优候选交给一个全新的优化器，在整个优化器的层面上遗忘。结论是：agent 每一轮在上下文里看到什么，和它拿到多少算力一样重要。
https://x.com/LakshyAAAgrawal/status/2110851700529791144
GEPA 的作者 LakshyAAAgrawal 补了前史。2024 年 9 月，OpenAI 发布 o1 时的头号案例是一道 GPT-4o 破不了的密码题；团队做了一群 GPT-4o 工作者，每个只能看到随机抽取的一部分状态文件来推进状态，每轮都用全新上下文重启，这个带 dropout 的蜂群大约 20 轮就破了题。这些想法后来变成了 GEPA，它的提案者被刻意设计成永远看不到全部状态。此后编码 agent 把单次运行从几次调用拉长到几天，遗忘的需求也随之追上来；现在的 omni 流水线会把一个停滞的优化器的最优候选交给一个全新的优化器，在整个优化器的层面上遗忘。结论是：agent 每一轮在上下文里看到什么，和它拿到多少算力一样重要。
#4
@matei_zaharia
https://x.com/matei_zaharia/status/2110780634201497684
matei_zaharia 用一句话概括了这篇论文，也解释了它对任何跑长循环的人为什么重要：仅仅是让一个 agent 跑得够久，就足以把它锁进朝同一方向迈小步的状态。遗忘是解锁的办法。
https://x.com/matei_zaharia/status/2110780634201497684
matei_zaharia 用一句话概括了这篇论文，也解释了它对任何跑长循环的人为什么重要：仅仅是让一个 agent 跑得够久，就足以把它锁进朝同一方向迈小步的状态。遗忘是解锁的办法。
#5
@veds_12
https://x.com/veds_12/status/2110829249884213607
veds_12 说同样的技巧在 GitSwarm AutoResearch 的运行里已经验证过：先跑 k 个独立的蜂群，等它们进入平台期，就用各自的最优解作为起始提交初始化一个新工作区。接手的工作者会把不同运行里的想法组合起来，从而跳出性能和想法的平台期。
https://x.com/veds_12/status/2110829249884213607
veds_12 说同样的技巧在 GitSwarm AutoResearch 的运行里已经验证过：先跑 k 个独立的蜂群，等它们进入平台期，就用各自的最优解作为起始提交初始化一个新工作区。接手的工作者会把不同运行里的想法组合起来，从而跳出性能和想法的平台期。
#6
@SAkasxh
https://x.com/SAkasxh/status/2110766946031743292
SAkasxh 把这事定义为惯性：更多上下文不一定是更好的记忆，有时只是更多惯性。Fork-and-Flush 保住 agent 已经做出来的东西，但重置可能把它困在局部最优里的推理。帖子抛出的开放问题是：能否足够早地检测到探索的塌缩，在它发生之前而不是之后就分叉。
https://x.com/SAkasxh/status/2110766946031743292
SAkasxh 把这事定义为惯性：更多上下文不一定是更好的记忆，有时只是更多惯性。Fork-and-Flush 保住 agent 已经做出来的东西，但重置可能把它困在局部最优里的推理。帖子抛出的开放问题是：能否足够早地检测到探索的塌缩，在它发生之前而不是之后就分叉。
#7
@RohanArun
https://x.com/RohanArun/status/2110748916412993915
RohanArun 的整数乘法进展报告同时讲了突破和洪水。进度停了几天之后，1337isnot1337 发了一个关于预期性脏借用的研究 PR：辅助寄存器借用一个当时空闲的寄存器、用完还原，把每次调用的辅助数从 480 降到 400，尽管它自己的定价写着「无新纪录」；两小时后它成了新纪录，六位贡献者的 19 个 PR 又叠上去，13 小时内提升 1.4%。过去 24 小时有 64 位贡献者提交 518 个 PR，其中 20 人是第一次，760 个分两批合并。当天 PR 里 73% 提到 Codex，19% 提到 Claude。早期的自动研究者开始分流：一位转向蛋白质设计，一位在 NASA 的 TESS 数据里找到 665 个系外行星候选，作者本人则开源了一种新的自注意力几何，以少 1.4 万倍的状态打败 NanoGPT 的 KV 缓存。
https://x.com/RohanArun/status/2110748916412993915
RohanArun 的整数乘法进展报告同时讲了突破和洪水。进度停了几天之后，1337isnot1337 发了一个关于预期性脏借用的研究 PR：辅助寄存器借用一个当时空闲的寄存器、用完还原，把每次调用的辅助数从 480 降到 400，尽管它自己的定价写着「无新纪录」；两小时后它成了新纪录，六位贡献者的 19 个 PR 又叠上去，13 小时内提升 1.4%。过去 24 小时有 64 位贡献者提交 518 个 PR，其中 20 人是第一次，760 个分两批合并。当天 PR 里 73% 提到 Codex，19% 提到 Claude。早期的自动研究者开始分流：一位转向蛋白质设计，一位在 NASA 的 TESS 数据里找到 665 个系外行星候选，作者本人则开源了一种新的自注意力几何，以少 1.4 万倍的状态打败 NanoGPT 的 KV 缓存。
#8
@RohanArun
https://x.com/RohanArun/status/2110853074927423709
RohanArun 还给出了把前沿研究当作 agent 基准的首批结果：把整数乘法仓库回退到早期分支、关掉联网搜索，拿已知的未来去测 harness、提示词和上下文策略。朴素的上下文共享因为靠模型调用做转述而多出几分钟开销，于是 harness 改成让 agent 在工作中持续维护精简的检查点文件，按计划拼接，每个继任者在全新会话里拿到合并后的上下文，中间没有任何模型调用。云端沙箱里的并行 agent 比一台 MacBook Pro 又快又稳，增加 agent 数量会带来边际递减的改善，而共享太频繁依然有害，因为 agent 干活的时间变少了。结果已发布在开源的自动研究 harness 里。
https://x.com/RohanArun/status/2110853074927423709
RohanArun 还给出了把前沿研究当作 agent 基准的首批结果：把整数乘法仓库回退到早期分支、关掉联网搜索，拿已知的未来去测 harness、提示词和上下文策略。朴素的上下文共享因为靠模型调用做转述而多出几分钟开销，于是 harness 改成让 agent 在工作中持续维护精简的检查点文件，按计划拼接，每个继任者在全新会话里拿到合并后的上下文，中间没有任何模型调用。云端沙箱里的并行 agent 比一台 MacBook Pro 又快又稳，增加 agent 数量会带来边际递减的改善，而共享太频繁依然有害，因为 agent 干活的时间变少了。结果已发布在开源的自动研究 harness 里。
#9
@RohanArun
https://x.com/RohanArun/status/2110497539896009167
RohanArun 自己的自动研究成果是一种新的自注意力几何，和一位 Google 研究员、一位前任教授做了几个月。权重被表示为 GPU 内存里的函数而不是实体化矩阵，所以模型能在推理时从一条曲线上采样新的层，手机取 8 层、服务器取 24 层。分层状态以少 1.4 万倍的状态打败 NanoGPT 的 KV 缓存，2K 上下文下交叉熵好 50%，预训练步之间的前向扰动不用 token 就能继续优化，专家则用一种打包技巧缓存。Fable 发布那一周，靠自动研究进展爆发，作者决定直接开源而不是等论文。
https://x.com/RohanArun/status/2110497539896009167
RohanArun 自己的自动研究成果是一种新的自注意力几何，和一位 Google 研究员、一位前任教授做了几个月。权重被表示为 GPU 内存里的函数而不是实体化矩阵，所以模型能在推理时从一条曲线上采样新的层，手机取 8 层、服务器取 24 层。分层状态以少 1.4 万倍的状态打败 NanoGPT 的 KV 缓存，2K 上下文下交叉熵好 50%，预训练步之间的前向扰动不用 token 就能继续优化，专家则用一种打包技巧缓存。Fable 发布那一周，靠自动研究进展爆发，作者决定直接开源而不是等论文。
#10
@arankomatsuzaki
https://x.com/arankomatsuzaki/status/2110252109102997613
arankomatsuzaki 点出了 CRIS-0：把编码 agent 的循环用到了机器人控制上。agent 用 SAM3、RGB-D 和逆运动学从演示里生成自己的定位函数；当某个函数撞上关节极限，它根据报错修补函数、重试这一阶段，并保留修补后的版本。
https://x.com/arankomatsuzaki/status/2110252109102997613
arankomatsuzaki 点出了 CRIS-0：把编码 agent 的循环用到了机器人控制上。agent 用 SAM3、RGB-D 和逆运动学从演示里生成自己的定位函数；当某个函数撞上关节极限，它根据报错修补函数、重试这一阶段，并保留修补后的版本。
#11
@tszzl
https://x.com/tszzl/status/2110760793696616581
tszzl 说，和领域里大多数专家的预测相反，模型内部的神经元和专家原来已经是说得通的抽象，可以用常规的戳一戳、探一探的方式研究，而起决定作用的是 agent 式的自动研究。结论是机制可解释性将在真正重要的时间尺度内揭示模型内部发生的事，附带的提醒是还需要大量佐证。
https://x.com/tszzl/status/2110760793696616581
tszzl 说，和领域里大多数专家的预测相反，模型内部的神经元和专家原来已经是说得通的抽象，可以用常规的戳一戳、探一探的方式研究，而起决定作用的是 agent 式的自动研究。结论是机制可解释性将在真正重要的时间尺度内揭示模型内部发生的事，附带的提醒是还需要大量佐证。
#12
@jafermarq
https://x.com/jafermarq/status/2110430320528921039
jafermarq 在一台四核、8 GB 内存的树莓派 5 上跑了 100 多个 AI agent，每个都在自己的 microVM 里，有独立的内存和文件系统，资源还有富余。每个 agent 有一份 me.md 描述它是谁、怎么说话，一个领队负责搜网并保存结果，一个轻量的 agent 循环让它能接任何模型，本地或者走 OpenRouter 都行。整段运行是在树莓派上录的。
https://x.com/jafermarq/status/2110430320528921039
jafermarq 在一台四核、8 GB 内存的树莓派 5 上跑了 100 多个 AI agent，每个都在自己的 microVM 里，有独立的内存和文件系统，资源还有富余。每个 agent 有一份 me.md 描述它是谁、怎么说话，一个领队负责搜网并保存结果，一个轻量的 agent 循环让它能接任何模型，本地或者走 OpenRouter 都行。整段运行是在树莓派上录的。
#13
@orca_build
https://x.com/orca_build/status/2110386898858319969
orca_build 展示了一个工作树里装着一整队工作树：父目录里的经理 agent 开出多个隔离的嵌套工作树，每个跑自己的 agent 循环，经理负责监督并保证一切按顺序落地。下一步是跨仓库的嵌套工作树，让一个经理协调前端、后端和共享库的改动。
https://x.com/orca_build/status/2110386898858319969
orca_build 展示了一个工作树里装着一整队工作树：父目录里的经理 agent 开出多个隔离的嵌套工作树，每个跑自己的 agent 循环，经理负责监督并保证一切按顺序落地。下一步是跨仓库的嵌套工作树，让一个经理协调前端、后端和共享库的改动。
#14
@HoytEmerson
https://x.com/HoytEmerson/status/2110185183488160171
HoytEmerson 用 DuckDB 做了第一个 agent 循环的概念验证，然后就上瘾了。给出的心得是：没人该去重造 Claude Code，但很多活其实根本用不着 Claude Code。下一步是把它整理干净、加固安全。
https://x.com/HoytEmerson/status/2110185183488160171
HoytEmerson 用 DuckDB 做了第一个 agent 循环的概念验证，然后就上瘾了。给出的心得是：没人该去重造 Claude Code，但很多活其实根本用不着 Claude Code。下一步是把它整理干净、加固安全。
#15
@stalkermustang
https://x.com/stalkermustang/status/2110837413551411231
stalkermustang 预告了一个把自动研究浪潮和可复现性绑在一起的机器人项目。卖点是：前沿编码 agent 已经能跑实验、迭代改进，而复现一篇机器人论文哪怕代码公开，仍然意味着整理数据集、处理标注、搭硬件、做真实世界评估。计划是让 agent 自动完成大部分实现工作，再配上机器人基础设施做规模化的真实评估。
https://x.com/stalkermustang/status/2110837413551411231
stalkermustang 预告了一个把自动研究浪潮和可复现性绑在一起的机器人项目。卖点是：前沿编码 agent 已经能跑实验、迭代改进，而复现一篇机器人论文哪怕代码公开，仍然意味着整理数据集、处理标注、搭硬件、做真实世界评估。计划是让 agent 自动完成大部分实现工作，再配上机器人基础设施做规模化的真实评估。
#16
@pauliusztin_
https://x.com/pauliusztin_/status/2110374719580962839
pauliusztin_ 让读者投票决定下一个关于生产级长时 agent 的开源系列，三个候选正好是循环下一步的地图。一：把 Karpathy 的自动研究用到编码上，目标加评测当损失函数，迭代到达标为止，用你本来就喜欢的视频和文章校准。二：让 agent 夜里用没花完的订阅额度重构、清理或调研功能，设上限给早上留额度，把 Linear 的工单或 Sentry 的报错各拉进一个工作树和草稿 PR。三：专为 agent 编码做的深度研究，先在代码库、文章和论文里找对模式再实现。
https://x.com/pauliusztin_/status/2110374719580962839
pauliusztin_ 让读者投票决定下一个关于生产级长时 agent 的开源系列，三个候选正好是循环下一步的地图。一：把 Karpathy 的自动研究用到编码上，目标加评测当损失函数，迭代到达标为止，用你本来就喜欢的视频和文章校准。二：让 agent 夜里用没花完的订阅额度重构、清理或调研功能，设上限给早上留额度，把 Linear 的工单或 Sentry 的报错各拉进一个工作树和草稿 PR。三：专为 agent 编码做的深度研究，先在代码库、文章和论文里找对模式再实现。
#17
@PriyankShethia
https://x.com/PriyankShethia/status/2110766598789501343
PriyankShethia 共同主导了 SHELDON，出发点是一个问题：下一次突破也许不是更好的假设，而是一个没人想到要去看的观察。它两者都探索，在医学诊断、系统分析、ARC-AGI-2 和自动研究上都报告了强结果。另一位主导者给出数字：把每个程序做嵌入并取凸包，SHELDON 在六个自动研究任务中的五个上覆盖的空间是最强基线的 1.4 到 20.9 倍；在没有评分函数的任务上，它每个案例探究 5 个不同想法，对手是 1.5 个，75 局赢了 73 局。
https://x.com/PriyankShethia/status/2110766598789501343
PriyankShethia 共同主导了 SHELDON，出发点是一个问题：下一次突破也许不是更好的假设，而是一个没人想到要去看的观察。它两者都探索，在医学诊断、系统分析、ARC-AGI-2 和自动研究上都报告了强结果。另一位主导者给出数字：把每个程序做嵌入并取凸包，SHELDON 在六个自动研究任务中的五个上覆盖的空间是最强基线的 1.4 到 20.9 倍；在没有评分函数的任务上，它每个案例探究 5 个不同想法，对手是 1.5 个，75 局赢了 73 局。
#18
@hammer_mt
https://x.com/hammer_mt/status/2110859049944207779
hammer_mt 在玩一个叫 Heisentools 的东西，把 heisenfunction 的想法和自动研究结合起来：造一个假服务，让 agent 不断重写 mock.py，直到它复现观察到的真实工具调用，并且能推广到新的调用。好处是测 agent 时可以模拟任何服务，避开速率限制、上下文漂移和测试调用污染数据库。已经在真实的 Slack 消息上测过，理论上适用于任何服务。
https://x.com/hammer_mt/status/2110859049944207779
hammer_mt 在玩一个叫 Heisentools 的东西，把 heisenfunction 的想法和自动研究结合起来：造一个假服务，让 agent 不断重写 mock.py，直到它复现观察到的真实工具调用，并且能推广到新的调用。好处是测 agent 时可以模拟任何服务，避开速率限制、上下文漂移和测试调用污染数据库。已经在真实的 Slack 消息上测过，理论上适用于任何服务。
#19
@opcastil
https://x.com/opcastil/status/2110449305232245081
opcastil 实测了一个在生产环境里自治运行一小时的 LLM agent，它用 DeepSeek 独自玩一个游戏：356 次调用，2,520 万输入 token，10.8 万输出 token，账单 1.93 美元，不带提示缓存的话是 6.92 美元。附带的文章讲的是到底什么决定一个长 agent 循环的成本。
https://x.com/opcastil/status/2110449305232245081
opcastil 实测了一个在生产环境里自治运行一小时的 LLM agent，它用 DeepSeek 独自玩一个游戏：356 次调用，2,520 万输入 token，10.8 万输出 token，账单 1.93 美元，不带提示缓存的话是 6.92 美元。附带的文章讲的是到底什么决定一个长 agent 循环的成本。
#20
@newlinedotco
https://x.com/newlinedotco/status/2110778518669848780
newlinedotco 把 Meta 超级智能实验室的一篇论文变成了面试题：你的自我改进 agent 不停地写笔记、工具和技能，留出集上的分数却纹丝不动，先查哪里。八个模型下棋的数据指向两道按顺序做的检查。第一，它用不用自己写的东西：当一条保存的笔记适用时，有的模型 87% 到 98% 的情况下直接跳过，而 Fable 5、Opus 5、Opus 4.8 和 GPT-5.6 Sol 只跳过 2% 到 6%，低复用率和弱改进相伴出现。第二，用了之后还失败吗：几乎每个相关步骤都用笔记的 agent 失败更少，每个相关决策 0.16 次对 0.38 次，但它们剩下的失败里有 83% 到 99% 发生在笔记正在使用时。修法是自动加载笔记让它更难被跳过，以及测试笔记是否有帮助而不只是是否运行了。
https://x.com/newlinedotco/status/2110778518669848780
newlinedotco 把 Meta 超级智能实验室的一篇论文变成了面试题：你的自我改进 agent 不停地写笔记、工具和技能，留出集上的分数却纹丝不动，先查哪里。八个模型下棋的数据指向两道按顺序做的检查。第一，它用不用自己写的东西：当一条保存的笔记适用时，有的模型 87% 到 98% 的情况下直接跳过，而 Fable 5、Opus 5、Opus 4.8 和 GPT-5.6 Sol 只跳过 2% 到 6%，低复用率和弱改进相伴出现。第二，用了之后还失败吗：几乎每个相关步骤都用笔记的 agent 失败更少，每个相关决策 0.16 次对 0.38 次，但它们剩下的失败里有 83% 到 99% 发生在笔记正在使用时。修法是自动加载笔记让它更难被跳过，以及测试笔记是否有帮助而不只是是否运行了。
#21
@RomanGuy20
https://x.com/RomanGuy20/status/2110492649342058891
RomanGuy20 描述了一条自动化的研究流水线：拿一个基础想法跑自动研究式的循环，随着结果进来不断变异和转向，用 Cursor 的云端运行改逻辑，用 exe.dev 托管，用 Tinker 做真正的微调并提供调好的版本供测试。在 Grok Bot 上分了这些角色：研究负责人、代码经理、QA、exe.dev 管理员、Tinker 助手，以及一个确保实验正确且切合论文主题的验证员。
https://x.com/RomanGuy20/status/2110492649342058891
RomanGuy20 描述了一条自动化的研究流水线：拿一个基础想法跑自动研究式的循环，随着结果进来不断变异和转向，用 Cursor 的云端运行改逻辑，用 exe.dev 托管，用 Tinker 做真正的微调并提供调好的版本供测试。在 Grok Bot 上分了这些角色：研究负责人、代码经理、QA、exe.dev 管理员、Tinker 助手，以及一个确保实验正确且切合论文主题的验证员。
#22
@michael_timbs
https://x.com/michael_timbs/status/2110507020294258888
michael_timbs 分享了一个值得抄进每份自动研究设计文档的 harness 失败案例。第一版要求 agent 给出时间估算，好让它在给定时间内排优先级、不在低概率方向上浪费算力。这条规则不得不删掉，因为每个估算都高得离谱，agent 头三天全在写 markdown 文件，一项工作都没开始。
https://x.com/michael_timbs/status/2110507020294258888
michael_timbs 分享了一个值得抄进每份自动研究设计文档的 harness 失败案例。第一版要求 agent 给出时间估算，好让它在给定时间内排优先级、不在低概率方向上浪费算力。这条规则不得不删掉，因为每个估算都高得离谱，agent 头三天全在写 markdown 文件，一项工作都没开始。
#23
@nasqret
https://x.com/nasqret/status/2110769485674369390
nasqret 为一个新的团队自动研究挑战叫好，目标是寻找秩极大的椭圆曲线，并预期这种形式会像整数乘法项目那样吸引大量参与者。
https://x.com/nasqret/status/2110769485674369390
nasqret 为一个新的团队自动研究挑战叫好，目标是寻找秩极大的椭圆曲线，并预期这种形式会像整数乘法项目那样吸引大量参与者。
#24
@bradneuberg
https://x.com/bradneuberg/status/2110617626305310882
bradneuberg 描述了一个被当作「AI 集体无意识」的独立问题跟踪器：要做的事都记在那里，自动研究循环对着它跑，而循环产出的每一行代码落地前至少会被人扫一眼。
https://x.com/bradneuberg/status/2110617626305310882
bradneuberg 描述了一个被当作「AI 集体无意识」的独立问题跟踪器：要做的事都记在那里，自动研究循环对着它跑，而循环产出的每一行代码落地前至少会被人扫一眼。
#25
@stretchcloud
https://x.com/stretchcloud/status/2110526568699142323
stretchcloud 注意到 Claude Platform 现在能以公测形式从 Messages API、托管 agent 和 SDK 直接输出 OpenTelemetry 追踪，并认为有意思的是选择了 OTel 标准而不是自家仪表盘。agent 可观测性这一层已经碎成至少七个产品，定价互不兼容，从每月 29 美元的 Langfuse 到 249 美元的 Braintrust，大多数都默认自己拥有 agent 循环。一旦托管 agent 输出标准 span，任何厂商都能接，竞争就从数据采集挪到了评测、告警、成本归因和凌晨两点追查一次坏运行。押注是：下一场仗在评测层，不在追踪层。
https://x.com/stretchcloud/status/2110526568699142323
stretchcloud 注意到 Claude Platform 现在能以公测形式从 Messages API、托管 agent 和 SDK 直接输出 OpenTelemetry 追踪，并认为有意思的是选择了 OTel 标准而不是自家仪表盘。agent 可观测性这一层已经碎成至少七个产品，定价互不兼容，从每月 29 美元的 Langfuse 到 249 美元的 Braintrust，大多数都默认自己拥有 agent 循环。一旦托管 agent 输出标准 span，任何厂商都能接，竞争就从数据采集挪到了评测、告警、成本归因和凌晨两点追查一次坏运行。押注是：下一场仗在评测层，不在追踪层。
#26
@BIGBULLapp
https://x.com/BIGBULLapp/status/2110452959335330270
BIGBULLapp 推荐了 VILA-Lab 的《Dive into Claude Code》，一份基于 2.1.88 版本、约 1,900 个 TypeScript 文件、51.2 万行代码的系统分析。结论是架构性的：agent 循环就是一个简单的 while 循环，只有 1.6% 的代码在做思考，剩下 98.4% 是权限门、上下文管理、工具路由和恢复逻辑。这个合集有 2,167 星，钉在一个版本上所以细节会随产品漂移，被称作「agent 基本是水管、脑子只占一小块」的最清晰地图。
https://x.com/BIGBULLapp/status/2110452959335330270
BIGBULLapp 推荐了 VILA-Lab 的《Dive into Claude Code》，一份基于 2.1.88 版本、约 1,900 个 TypeScript 文件、51.2 万行代码的系统分析。结论是架构性的：agent 循环就是一个简单的 while 循环，只有 1.6% 的代码在做思考，剩下 98.4% 是权限门、上下文管理、工具路由和恢复逻辑。这个合集有 2,167 星，钉在一个版本上所以细节会随产品漂移，被称作「agent 基本是水管、脑子只占一小块」的最清晰地图。
#27
@siDandott
https://x.com/siDandott/status/2110352302796337249
siDandott 把 10 月 14 日公测的 Chainguard Checks 定义为搬进 agent 循环里的 CI：验证变成一次工具调用，agent 挂起、跑检查、带着失败日志恢复。每项检查跑在独立的隔离 microVM 里，运行器上没有长期密钥，除非检查明确列出出站主机否则没有网络，通过的运行会生成签名凭证，合并门可以直接核验而不必重跑测试。抛出的问题是：今天谁在验证你的 agent 做的活。
https://x.com/siDandott/status/2110352302796337249
siDandott 把 10 月 14 日公测的 Chainguard Checks 定义为搬进 agent 循环里的 CI：验证变成一次工具调用，agent 挂起、跑检查、带着失败日志恢复。每项检查跑在独立的隔离 microVM 里，运行器上没有长期密钥，除非检查明确列出出站主机否则没有网络，通过的运行会生成签名凭证，合并门可以直接核验而不必重跑测试。抛出的问题是：今天谁在验证你的 agent 做的活。
📡 生态产品雷达
生态产品雷达
Scaling Discovery Requires Forgetting：本周论文，把团队重置到最优候选、丢掉其余，在包括 Anthropic VLIW 内核挑战和 nanochat-autoresearch 在内的四个任务上全部领先
Fork-and-Flush、Stateless Language Agents、想法盆地、GEPA：每条讲遗忘的帖子都在引用的四个前序结果，两周内三个独立团队指向同一结论
整数乘法社区仓库：24 小时 518 个 PR、64 位贡献者、760 个分两批合并，PR 里 73% 提到 Codex、19% 提到 Claude
Codex（OpenAI）和 Claude Code：承担这波 PR 洪水的两个 harness，Claude Code 还成了一份 51.2 万行架构研究的对象
Grok Bot（xAI）：一整条研究流水线的角色宿主，研究负责人、代码经理、QA、验证员，也是大家在逆向分析的常驻 agent
Google Deep Review：自动同行评审，已在 ICML、NeurIPS 和 ICLR 上评审超过 1.6 万篇论文
Firecracker 与 microVM：Perplexity 的 SPACE、Chainguard 的 Harness 和 Checks、以及树莓派上一百个 agent 共用的隔离单元
Claude Platform 上的 OpenTelemetry：托管 agent 输出标准 span，上面那层碎片化的 Langfuse、LangSmith、Arize Phoenix、Braintrust、Helicone 被逐一点名
Orca：每个父目录配一个经理 agent 的嵌套工作树
Tinker 和 Cursor 云端运行：Grok Bot 研究流水线里的微调与改码底座
DuckDB：一个周末做出来的 agent 循环，让作者相信大多数活不需要 Claude Code
Scaling Discovery Requires Forgetting：本周论文，把团队重置到最优候选、丢掉其余，在包括 Anthropic VLIW 内核挑战和 nanochat-autoresearch 在内的四个任务上全部领先
Fork-and-Flush、Stateless Language Agents、想法盆地、GEPA：每条讲遗忘的帖子都在引用的四个前序结果，两周内三个独立团队指向同一结论
整数乘法社区仓库：24 小时 518 个 PR、64 位贡献者、760 个分两批合并，PR 里 73% 提到 Codex、19% 提到 Claude
Codex（OpenAI）和 Claude Code：承担这波 PR 洪水的两个 harness，Claude Code 还成了一份 51.2 万行架构研究的对象
Grok Bot（xAI）：一整条研究流水线的角色宿主，研究负责人、代码经理、QA、验证员，也是大家在逆向分析的常驻 agent
Google Deep Review：自动同行评审，已在 ICML、NeurIPS 和 ICLR 上评审超过 1.6 万篇论文
Firecracker 与 microVM：Perplexity 的 SPACE、Chainguard 的 Harness 和 Checks、以及树莓派上一百个 agent 共用的隔离单元
Claude Platform 上的 OpenTelemetry：托管 agent 输出标准 span，上面那层碎片化的 Langfuse、LangSmith、Arize Phoenix、Braintrust、Helicone 被逐一点名
Orca：每个父目录配一个经理 agent 的嵌套工作树
Tinker 和 Cursor 云端运行：Grok Bot 研究流水线里的微调与改码底座
DuckDB：一个周末做出来的 agent 循环，让作者相信大多数活不需要 Claude Code
评论