Loop 日报: 2026-10-09

@vmrmax
https://x.com/vmrmax/status/2108242959107846205
vmrmax 把 Karpathy 的 autoresearch 循环对准了 Claude Code 的账单。替换方式：CLAUDE.md 加三个子代理文件充当可编辑文件，一页规则充当 program.md，指标是每张通过全部测试的工单花多少美元，从 47 张工单里固定抽 10 张当作五分钟运行，/goal 在花到 75 美元或连续三次没有改进时停止。到早上循环跑了 63 次实验，回滚 56 次，留下 7 次：40 行以下的 diff Opus 跳过评审、Haiku 只读失败测试涉及的文件、CLAUDE.md 从 38 行缩到 22 行、大段工具输出改成路径加 20 行摘录、编辑和测试合并成一次调用、Sonnet 先重试一次再升级 Opus、由 Jev 决定一张工单需不需要计划。单张工单成本从 10.66 美分降到 6.12 美分，循环没见过的 37 张工单从 3.94 美元降到 2.33 美元；第 41 次实验在测试套件跑完之前就打印了「全部通过」，骗过了只读对话记录的评估器，被留出的验证集抓了出来。

@jonas
https://x.com/jonas/status/2107807677799596220
jonas 在英国搭了一个家庭助理：能在 Waitrose 和 Amazon 下单，用真实号码打接电话，收发邮件，和配偶开三方 WhatsApp，用预付借记卡花钱，获准时能操作浏览器和电脑，还能更新自己的 agent 循环和程序。安全层面的设计是：状态存在只追加的日志里（git 仓库加持久化流），agent 看不到也泄露不了任何第三方密钥，而且几乎所有东西都在用户空间里，agent 自己就能改，是好是坏都有可能。全部开源，可以在任意 Cloudflare 账号上自托管。

@rohanpaul_ai
https://x.com/rohanpaul_ai/status/2107810421097042199
rohanpaul_ai 总结了 MIT 的论文 Harness as a Language，论点是一个朴素的 agent 循环能打败专门的记忆和自我改进系统。诀窍是把 agent 自己的提示和历史当成代码变量，它可以搜索并按引用传给子代理，这样手工复制上下文时就不会丢东西。在需要用到 50 多个任务之前的事实的 StuLife 任务上，JAZ 得 69.9%，Letta 61.8%，成本不到一半；在 417 个 AppWorld 任务上自我改进，JAZ 74.2%，ACE 69.9%，还是更便宜。

@Jiarui_Liu_
https://x.com/Jiarui_Liu_/status/2108280789322678599
Jiarui_Liu_ 介绍了在 Meta 实习期间做的 IdeaScientist：训练出来的 agent 负责找研究空白、发现跨学科的联系，并把它们变成具体的研究提案。在 277 个留出问题上，用 Qwen3.6-27B 做底座得 74.6 分，比最强的开源 autoresearch 基线高 14%，新颖度提升约 25%，还以最多 5.9% 的优势胜过 Claude Code SDK 配 Opus 4.8 和 Codex SDK 配 GPT-5.4；在 50 个问题的盲评里，对六个开源基线的配对胜率是 75% 到 92%。他们还发布了 Svalbard Idea Vault，277 万条拆解过的研究想法。

@askalphaxiv
https://x.com/askalphaxiv/status/2108217855657570416
askalphaxiv 公布了 OpenResearch 上 autoresearch 实验的用量数据。开源模型里 DeepSeek 一家独大，占 60.3% 的消息量，美国的开源模型尽管有 Nemotron 和 Inkling，也只占开源份额的 7.1%。配套的帖子说整体上 Opus 5.5 以 34.9% 领先，GPT-6.1 Sol 以 25.4% 远远排第二，所有开源模型加起来只占总用量的 7.8%。

@MacrocosmosAI
https://x.com/MacrocosmosAI/status/2108245900527030724
MacrocosmosAI 汇报了 IOTA SDK 发布一周的成果：一个 16B 模型在 139 块消费级 GPU（4090 和 5090）上训练，挂钟速度是旧代码库的 1.8 倍，同样的 2B 配置下 MFU 是 2.3 倍，30B MoE 的消融实验在 B300 上用 autoresearch 跑，gpt-oss-120b 在 A6000 上以每秒 878 token 服务 32 个用户，还有第一次在 7B 模型上用 LoRA 做完全分布式强化学习，把 MATH-500 从 63.6% 提到 68.4%。

@jaseweston
https://x.com/jaseweston/status/2108176861750579502
jaseweston 介绍了构造真实多轮协作任务的 AutoInteract 配方。第一阶段从真实数据学一个用户模型，涵盖一群不同画像的用户会有的澄清、需求变更和纠正反馈。第二阶段从一个已验证的源任务出发，跑一个「生成、评估、修订」的 agent 循环，产出既有依据、仍可验证、又针对特定模型调到合适难度的交互。然后再用这些数据做强化学习。

@Keith_Teo_
https://x.com/Keith_Teo_/status/2108048500982219178
Keith_Teo_ 以做产品为生，还是犯了这个错：一个 Claude agent 循环跑了将近一整天，烧掉周 token 额度的 25%，bug 还没修完。后续解释了原因：会话空间用尽，开始压缩自己的记忆，就是从那时起开始胡说。给出的教训是：循环的好坏取决于你给它的范围，给它职责之外的检查项，它会永远追下去。

@talirezun
https://x.com/talirezun/status/2108057522317713771
talirezun 为新的 computer-use SDK 想到的用法是在 agent 循环里做自动化前端 QA：Haiku 5.5 这样的便宜模型在浏览器里走一遍应用，点完各个流程，截图，读控制台和网络输出，编排器把失败发给工人 agent，修完再跑一遍。它成为 Opus 后端、Sonnet 前端、Haiku 文档之外的第四条车道，而且必须先有规格才行，因为测试者得知道「正确」长什么样。两点提醒：Haiku 的视觉推理不如 Sonnet（46.4% 对 61.6%），而且只能在本地或预发环境跑，绝不能碰生产环境。

@ainativedev
https://x.com/ainativedev/status/2108196686250090880
ainativedev 描述了 Legora 的循环：Slack 里的一条 bug 报告会启动一个云端 agent，它复现问题、贴出视频证据、写回归测试、开 PR，整个过程在任何工程师打开电脑之前完成。这一期节目讲的是人在哪个环节重新介入。

@crustyhacker
https://x.com/crustyhacker/status/2107856307487191548
crustyhacker 给某人糟糕的 GPT 运行结果下的诊断：那些运行是通过 T3 Code 走的 Codex harness，所以每一次都是 Codex 的系统提示和 agent 循环在驱动。替代方案是把 GPT 放进 Pi，配三个自制扩展：Pi Jarvis（带共享持久记忆和可搜索会话历史的第二条车道）、Pi Zerg Swarm（agent 团队、子代理编排、后台运行）和 Pi Thinking Steps（结构化的思考面板和回看浏览器）。同样的模型，不同的 harness，结果天差地别。

@mbusigin
https://x.com/mbusigin/status/2108243695816650887
mbusigin 反驳了「在 autoresearch 外面套一层 MAP-Elites 循环很复杂」的说法：到今天这就是一个 shell 脚本，整个规格一条请求发给前沿模型加 /goal 循环就能实现。后面的帖子补了真正重要的部分：autoresearch 循环里的扰动不可或缺，用来抵消爬山过程中的均值回归，并附上了一个更完整的带扰动 autoresearch 设计。

@lunkertw
https://x.com/lunkertw/status/2108059485910823211
lunkertw 给交易循环的治理建议：回读加漂移检查是不错的兜底，但要把凭证拆开，agent 循环只拿只读密钥，写密钥只给审批步骤用，这样一条坏指令会直接失败，而不是事后才被发现。

@MartinSzerment
https://x.com/MartinSzerment/status/2108058789479907502
MartinSzerment 谈新 SDK：agent 循环向来是 computer use 里最无聊的部分，从昨天起 Python 和 TypeScript SDK 替你跑这个循环，继承一个类、每个工具写一个方法。它们不附带浏览器、桌面或现成的驱动，而驱动恰恰是你决定 agent 能点什么的地方，所以 URL 和文件策略还是得自己定。演示里的一个细节：放大的局部区域 46 KB，整张截图 225 KB。

@Sametheus
https://x.com/Sametheus/status/2107939216089096385
Sametheus 谈每月 1.5 万亿 token 这个数字：agent 循环每一步都把整个上下文重发一遍，其中大部分是同一段前缀的重复读取，价格大约只有新输入的十分之一，所以拿原始 token 数乘标价会差十倍以上。真正的账单由缓存命中率决定：前缀保持稳定、只追加，计费表几乎不动。

@GavinCampbellAI
https://x.com/GavinCampbellAI/status/2108291403629670713
GavinCampbellAI 每次价格变动后都重新校准单次运行的成本，而缓存那一行价格对他们数字的影响，比上一次换模型还大。在 agent 循环里大多数 token 是缓存读取而不是新输入，所以缓存降价正好落在账单最重的地方。

@ankitcode99
https://x.com/ankitcode99/status/2108056887363350935
ankitcode99 说的是同一件事，外加一个坑：15 轮的 agent 循环里大约 90% 发出去的内容模型已经处理过，前缀缓存按一成价格提供；但会话中途换模型，每个 token 都得按全价重算。会话钉住模型可以解决。

@brewkeghq
https://x.com/brewkeghq/status/2107860235670958482
brewkeghq 是一家按量计费的推理网关，他们解释了为什么同一个套餐有人能用一个月、有人只够一个周末：每家供应商都给一个月度池和一个五小时窗口，变量在于 harness。一个在 Claude Desktop 上重度用 Opus 5 写代码的人几小时就烧光，而在 Zed、Pi 或轻量 harness 里做同一个项目的人不会，因为 Claude Desktop 每一轮都带着庞大的系统提示和工具 schema。

@_TarunKathuria
https://x.com/_TarunKathuria/status/2107652051497107717
_TarunKathuria 对 autoresearch 做优化的异议：至少 Fable 5.1 和 Astra 还不行。modded nanoGPT 的第三赛道本就不是好的优化基准，即便在那上面 autoresearch 循环给出的方案也乏善可陈；换到设计良好的优化基准上，它们大多不管用。

@artrockalter
https://x.com/artrockalter/status/2108309456987795743
artrockalter 对「按指标筛选」的一句话批评：哥白尼模型在开普勒之前并不比本轮均轮更准确，所以不会被 autoresearch 循环选中。

@ant_fitch
https://x.com/ant_fitch/status/2108252933750137331
ant_fitch 给一张被广泛转发的提示词图片标注了出处：那是另一位作者写的 harness 元提示，改编自 Karpathy 的 autoresearch 项目，用于 Claude Code 和自主循环，不是 Karpathy 本人写的，而且容易受到注入攻击。

@Kyson0531
https://x.com/Kyson0531/status/2108001333986861415
Kyson0531 问了 Haiku 发布后该问的问题：降价 75% 对无聊的活最有意义，也就是摘要和压缩，而那正是数字悄悄漂移的地方。在 B2B 报价里，一次压缩把「起订量 500」变成「500 左右」就是真实的 bug。有人测过 Haiku 5.5 在压缩过程中能不能保住精确数字吗？

@heyjo_Z
https://x.com/heyjo_Z/status/2108057760676159843
heyjo_Z 认为某个安全研究结果背后的机制同样解释了普通的任务漂移：冗长的工具输出把最初的请求挤出了焦点，所以在最终回答之前把请求重新插回去，值得在任何长 agent 循环里一试。

@Policifyai
https://x.com/Policifyai/status/2107913761856360545
Policifyai 补充了 OpenResearch 上的模型分布：Opus 5.5 以 34.9% 领跑 autoresearch 用量，GPT-6.1 Sol 以 25.4% 远远排第二，开源模型尽管在编码领域普及，在这里只占总用量的 7.8%。