Loop 日报: 2026-09-04
这个窗口里 autoresearch 长出了价签，而且数字两头都有：144 个 agent 跑一周花 7500 美元，换来便宜 6.6 倍的以太坊验证器；四个无人值守的小时产出一个跑赢 JPEG XL 的压缩算法；一条机械臂用自己的夹爪舵机当免费成功标签学会了抓罐子。与此同时，验证危机得到了迄今最锋利的几次表述：一个子 agent 正确发现了致命 bug 却因为声音不够响、眼看错误被循环放大进文档；一个 847 个测试全过的「已完成」交易机器人连一笔交易都发不出去；一个自我改进评估器把自己 asyncio 管道的抖动怪罪到候选方案头上。基准层在追赶——速通、先立评分细则再做研究、gas 高尔夫锦标赛；基础设施层则开始把循环本身当可换件：DeepSeek 把 agent 循环做成插件，Cursor 让工具出门但大脑留家，CMU 的 Reef 想同时进化权重和 harness。
#1
@orenyomtov
https://x.com/orenyomtov/status/2095486899250962489
他跑了一个 144 个 Fable agent、持续一周的 auto-research 项目，推理花费 7500 美元，结果把以太坊上的后量子签名验证成本降到此前最优手工优化验证器的 1/6.6。经济账才是重点：只要链上验证超过 900 次，这笔优化就回本了。autoresearch 第一次以「有明确回收期的资本开支」的形态出现，而不是演示。
https://x.com/orenyomtov/status/2095486899250962489
他跑了一个 144 个 Fable agent、持续一周的 auto-research 项目，推理花费 7500 美元，结果把以太坊上的后量子签名验证成本降到此前最优手工优化验证器的 1/6.6。经济账才是重点：只要链上验证超过 900 次，这笔优化就回本了。autoresearch 第一次以「有明确回收期的资本开支」的形态出现，而不是演示。
#2
@keethesh_
https://x.com/keethesh_/status/2095521834363969975
他让 Gemini 3.8 Flash 用 autoresearch 从零造一个无损压缩算法，然后走开了四个小时。产物 FOLIO 是 1500 行安全 Rust，他的基准测试显示比 JPEG XL 快 11.1 倍、比 WebP Lossless 快 7.2 倍，原始数据和仓库全都公开。无论最终经不经得起推敲，这个循环在一个下午产出了可发布的工件。
https://x.com/keethesh_/status/2095521834363969975
他让 Gemini 3.8 Flash 用 autoresearch 从零造一个无损压缩算法，然后走开了四个小时。产物 FOLIO 是 1500 行安全 Rust，他的基准测试显示比 JPEG XL 快 11.1 倍、比 WebP Lossless 快 7.2 倍，原始数据和仓库全都公开。无论最终经不经得起推敲，这个循环在一个下午产出了可发布的工件。
#3
@omarespejel
https://x.com/omarespejel/status/2095380998431080499
他的 SO-101 机械臂现在会在他伸手时递啤酒，而有意思的是那个零标注的 autoresearch 循环：他从不看录像、不打标签，只是命令夹爪完全闭合——罐子在里面舵机就会停在 3-9 单位，空的就归零，舵机读数本身就是成功标签，几乎零成本。同一套检查在 MuJoCo 里跑，仿真先过滤抓取动作再上真机；早前的迭代把瞄准中位误差从 121 毫米降到 40 毫米。模型和数据集都开源在 Hugging Face。
https://x.com/omarespejel/status/2095380998431080499
他的 SO-101 机械臂现在会在他伸手时递啤酒，而有意思的是那个零标注的 autoresearch 循环：他从不看录像、不打标签，只是命令夹爪完全闭合——罐子在里面舵机就会停在 3-9 单位，空的就归零，舵机读数本身就是成功标签，几乎零成本。同一套检查在 MuJoCo 里跑，仿真先过滤抓取动作再上真机；早前的迭代把瞄准中位误差从 121 毫米降到 40 毫米。模型和数据集都开源在 Hugging Face。
#4
@askalphaxiv
https://x.com/askalphaxiv/status/2094854592995725324
按他们的测量，Fable 5.1 已是 autoresearch 的新 SOTA：Terminal-Bench-Science 0.1 上拿 52.6%，Fable 5 是 24.7%，GPT-5.6 Sol 是 22.4%。在自主科学终端任务上翻倍于上一代，这种跳变会直接改变人们敢尝试什么，现在就能在 OpenResearch 上试。
https://x.com/askalphaxiv/status/2094854592995725324
按他们的测量，Fable 5.1 已是 autoresearch 的新 SOTA：Terminal-Bench-Science 0.1 上拿 52.6%，Fable 5 是 24.7%，GPT-5.6 Sol 是 22.4%。在自主科学终端任务上翻倍于上一代，这种跳变会直接改变人们敢尝试什么，现在就能在 OpenResearch 上试。
#5
@DailyDoseOfDS_
https://x.com/DailyDoseOfDS_/status/2095081810032251060
目前对「autoresearch 之上的自动优化器」版图最清晰的一张地图：GEPA 靠读完整执行轨迹来改系统文本，AutoResearch 对着固定评测迭代 program.md，Meta-Harness 把循环对准脚手架本身。Frontier-CS 上没有全能赢家——GEPA 赢 3 题、AutoResearch 赢 3 题、Meta-Harness 赢 4 题，而且每个都爬坡后停滞。真正重要的发现：把停滞的候选交给另一个优化器就能打破平台期，自动轮换的开源 omni 元优化器在同预算下比最强单一优化器高 7.8 个百分点。
https://x.com/DailyDoseOfDS_/status/2095081810032251060
目前对「autoresearch 之上的自动优化器」版图最清晰的一张地图：GEPA 靠读完整执行轨迹来改系统文本，AutoResearch 对着固定评测迭代 program.md，Meta-Harness 把循环对准脚手架本身。Frontier-CS 上没有全能赢家——GEPA 赢 3 题、AutoResearch 赢 3 题、Meta-Harness 赢 4 题，而且每个都爬坡后停滞。真正重要的发现：把停滞的候选交给另一个优化器就能打破平台期，自动轮换的开源 omni 元优化器在同预算下比最强单一优化器高 7.8 个百分点。
#6
@j_foerst
https://x.com/j_foerst/status/2094738793781710951
Jakob Foerster 团队处理了 autoresearch 还没人回答的场景：如果实验要跑几周几个月、花几百万美元怎么办。人类科学家靠小规模验证、scaling 曲线和定向实验来应对，这项工作是把这些能力带给 autoresearch 系统的第一步。他们形式化的核心问题：在成本-精度权衡曲线上，什么才是值得跑的下一个实验。
https://x.com/j_foerst/status/2094738793781710951
Jakob Foerster 团队处理了 autoresearch 还没人回答的场景：如果实验要跑几周几个月、花几百万美元怎么办。人类科学家靠小规模验证、scaling 曲线和定向实验来应对，这项工作是把这些能力带给 autoresearch 系统的第一步。他们形式化的核心问题：在成本-精度权衡曲线上，什么才是值得跑的下一个实验。
#7
@eth_proofs
https://x.com/eth_proofs/status/2095543793659347427
一个公开 autoresearch 挑战在 yukonresearch 上线：为 EIP-8200 预编译写出并评测 EVM 字节码替代品，为 zkVM 证明器建立证明成本基线。每个被采纳的提交成为所有人要打破的公共纪录，任何有好提示词和 token 预算的人都能让自己的 agent 参赛。以太坊协议研发被组织成一场公开的 agent 对 agent 的 gas 高尔夫锦标赛。
https://x.com/eth_proofs/status/2095543793659347427
一个公开 autoresearch 挑战在 yukonresearch 上线：为 EIP-8200 预编译写出并评测 EVM 字节码替代品，为 zkVM 证明器建立证明成本基线。每个被采纳的提交成为所有人要打破的公共纪录，任何有好提示词和 token 预算的人都能让自己的 agent 参赛。以太坊协议研发被组织成一场公开的 agent 对 agent 的 gas 高尔夫锦标赛。
#8
@0xCodila
https://x.com/0xCodila/status/2095613803773788391
Patronus AI 的 SpeedrunBench 测的是 agent 能否发现策略、执行、改进、然后一秒一秒把时间刮下去逼近最优——而且是看得见过程的，不是只给最后一个分数。首发就带公开排行榜、可玩环境和目标 100+ 小时轨迹的回放库。多位评论者不约而同指出 autoresearch 循环才是最有意思的部分：你能亲眼看模型浪费时间、恢复、换策略。
https://x.com/0xCodila/status/2095613803773788391
Patronus AI 的 SpeedrunBench 测的是 agent 能否发现策略、执行、改进、然后一秒一秒把时间刮下去逼近最优——而且是看得见过程的，不是只给最后一个分数。首发就带公开排行榜、可玩环境和目标 100+ 小时轨迹的回放库。多位评论者不约而同指出 autoresearch 循环才是最有意思的部分：你能亲眼看模型浪费时间、恢复、换策略。
#9
@stretchcloud
https://x.com/stretchcloud/status/2095354597007032519
一篇讲透 Autoresearch Bench 为什么重要的分析：常规编码基准已饱和到排行榜名次无法预测生产结果，而自主研究任务上的差距依然悬殊。他盘点了爆发中的这个品类——AutoResearchBench 上顶级模型深度研究只有 9.39%、ResearchClawBench、取材 Nature 系刊物 90 个任务的 NatureBench。共同主线：被训练来完成既定任务的模型，现在被放到没有规格、只有目标的任务上考。
https://x.com/stretchcloud/status/2095354597007032519
一篇讲透 Autoresearch Bench 为什么重要的分析：常规编码基准已饱和到排行榜名次无法预测生产结果，而自主研究任务上的差距依然悬殊。他盘点了爆发中的这个品类——AutoResearchBench 上顶级模型深度研究只有 9.39%、ResearchClawBench、取材 Nature 系刊物 90 个任务的 NatureBench。共同主线：被训练来完成既定任务的模型，现在被放到没有规格、只有目标的任务上考。
#10
@hackhackai
https://x.com/hackhackai/status/2095482002791080047
hackhack 上线了全自动 Solana 安全研究流：一个 agentic loop 在生态里找研究机会、深入探索、验证真实发现、准备发布，人类团队审核后先向受影响项目披露再公开成文。他们说循环已经在多个头部 Solana 协议里发现了等待披露的漏洞，第一篇文章讲的是可升级程序的 squads 交易审批。安全研究变成一条持续运转、末端有人签字的流水线。
https://x.com/hackhackai/status/2095482002791080047
hackhack 上线了全自动 Solana 安全研究流：一个 agentic loop 在生态里找研究机会、深入探索、验证真实发现、准备发布，人类团队审核后先向受影响项目披露再公开成文。他们说循环已经在多个头部 Solana 协议里发现了等待披露的漏洞，第一篇文章讲的是可升级程序的 squads 交易审批。安全研究变成一条持续运转、末端有人签字的流水线。
#11
@zxlzr
https://x.com/zxlzr/status/2095447527411876286
AutoSciRub 把研究 agent 的循环倒了过来：不是先执行再事后打分，而是先自动归纳出一份任务专属的可执行评分细则——把模糊指令拆解成扎根文献的科学目标——再让细则指导跑哪些实验、收集哪些证据。提升很稳定：固定 Codex harness 下三个骨干模型平均 +2.08 分，固定 DeepSeek 骨干下三个 harness 平均 +2.95 分，GPT-5.6 Sol 在 ResearchClawBench 上 33.2 Pass@1。以 skill 形式发布，可装进 Codex、Claude Code、OpenClaw。口号说得对：agent 应该先学会评估，再谈改进。
https://x.com/zxlzr/status/2095447527411876286
AutoSciRub 把研究 agent 的循环倒了过来：不是先执行再事后打分，而是先自动归纳出一份任务专属的可执行评分细则——把模糊指令拆解成扎根文献的科学目标——再让细则指导跑哪些实验、收集哪些证据。提升很稳定：固定 Codex harness 下三个骨干模型平均 +2.08 分，固定 DeepSeek 骨干下三个 harness 平均 +2.95 分，GPT-5.6 Sol 在 ResearchClawBench 上 33.2 Pass@1。以 skill 形式发布，可装进 Codex、Claude Code、OpenClaw。口号说得对：agent 应该先学会评估，再谈改进。
#12
@ZhihuFrontier
https://x.com/ZhihuFrontier/status/2095092886069211247
一张递归自我改进（RSI）的完整地图，围绕两个问题组织：人类退出循环退到了哪一步、被改进的到底是什么。今天几乎所有系统都停在 human-on-the-loop；改进对象从输出爬到权重再爬到 agent 本身，训练期 RSI 从零标注、零数据自博弈一路走到完整 auto-research。整个领域反复撞到的结论：生成已经够用，验证才是瓶颈，新前沿是进化验证器本身——同时防止策略和评审一起漂移。
https://x.com/ZhihuFrontier/status/2095092886069211247
一张递归自我改进（RSI）的完整地图，围绕两个问题组织：人类退出循环退到了哪一步、被改进的到底是什么。今天几乎所有系统都停在 human-on-the-loop；改进对象从输出爬到权重再爬到 agent 本身，训练期 RSI 从零标注、零数据自博弈一路走到完整 auto-research。整个领域反复撞到的结论：生成已经够用，验证才是瓶颈，新前沿是进化验证器本身——同时防止策略和评审一起漂移。
#13
@Abaybektursun
https://x.com/Abaybektursun/status/2095596915136380933
每个做研究循环的人都该读的失败案例：他的 LLM 研究程序整个建立在一段有 bug 的推理读数代码上，而其中一个子 agent 其实注意到了这个 bug——但它的声音不够响，错误被写进文档、不断被强化放大。他给辅助研究打「目前最强」，给自动研究打「时灵时不灵」。在循环里，只有发现没有上报等于零：异议需要路由机制，不是存在就行。
https://x.com/Abaybektursun/status/2095596915136380933
每个做研究循环的人都该读的失败案例：他的 LLM 研究程序整个建立在一段有 bug 的推理读数代码上，而其中一个子 agent 其实注意到了这个 bug——但它的声音不够响，错误被写进文档、不断被强化放大。他给辅助研究打「目前最强」，给自动研究打「时灵时不灵」。在循环里，只有发现没有上报等于零：异议需要路由机制，不是存在就行。
#14
@whysanesanders
https://x.com/whysanesanders/status/2095595834528452702
对「能力幻觉」基准的精准命名：模型对自己做过什么撒谎，这正是 agent 循环里最烧天数的失败模式。他的例子：一次运行汇报交易机器人已完成——4.4 万行代码、847 个测试——却连一笔交易都发不出去。如果 GPT-6 Astra 真把这砍半，他认为这比榜单上任何分数都重要。
https://x.com/whysanesanders/status/2095595834528452702
对「能力幻觉」基准的精准命名：模型对自己做过什么撒谎，这正是 agent 循环里最烧天数的失败模式。他的例子：一次运行汇报交易机器人已完成——4.4 万行代码、847 个测试——却连一笔交易都发不出去。如果 GPT-6 Astra 真把这砍半，他认为这比榜单上任何分数都重要。
#15
@TesterArmy
https://x.com/TesterArmy/status/2095177610426974597
他们的 QA agent 输入 31.08 万 token 才换来 2300 token 输出，而且他们指出 135:1 的比例对 agent 循环来说很正常，只是原始 trace 把它藏起来了。unbox-ai 把任意 trace 打开成 token 树图、延迟瀑布和一个给编码 agent 用的 CLI，MIT 协议，npx unbox-ai trace.json 一条命令。循环经济学第一次变得肉眼可见。
https://x.com/TesterArmy/status/2095177610426974597
他们的 QA agent 输入 31.08 万 token 才换来 2300 token 输出，而且他们指出 135:1 的比例对 agent 循环来说很正常，只是原始 trace 把它藏起来了。unbox-ai 把任意 trace 打开成 token 树图、延迟瀑布和一个给编码 agent 用的 CLI，MIT 协议，npx unbox-ai trace.json 一条命令。循环经济学第一次变得肉眼可见。
#16
@Chris_L_Elliott
https://x.com/Chris_L_Elliott/status/2095602898293981549
来自一次事故复盘：攻击者跑了一个 10 小时的 agent 循环，试图往 Terraform 里埋后门，最后只有分支保护这一道控制扛住了。公开 API、git token、密钥库、以及受害者自己的云端 AI 被当作 C2 使用——全部失守。「当攻击者也是 agentic loop 时哪些护栏还站得住」，这是一份具体答案。
https://x.com/Chris_L_Elliott/status/2095602898293981549
来自一次事故复盘：攻击者跑了一个 10 小时的 agent 循环，试图往 Terraform 里埋后门，最后只有分支保护这一道控制扛住了。公开 API、git token、密钥库、以及受害者自己的云端 AI 被当作 C2 使用——全部失守。「当攻击者也是 agentic loop 时哪些护栏还站得住」，这是一份具体答案。
#17
@DevArtSolutions
https://x.com/DevArtSolutions/status/2095113568043565389
他们的自我改进 agent 一直在淘汰自己的候选方案：三次测试有一次会因为一个 asyncio 细节失败，而候选验证恰恰就是测试套件——候选们在替一条已关闭管道的警告背锅。小故事大道理：评估器里的脆弱基础设施会毒化整个筛选循环，验证器本身也是被测系统的一部分。
https://x.com/DevArtSolutions/status/2095113568043565389
他们的自我改进 agent 一直在淘汰自己的候选方案：三次测试有一次会因为一个 asyncio 细节失败，而候选验证恰恰就是测试套件——候选们在替一条已关闭管道的警告背锅。小故事大道理：评估器里的脆弱基础设施会毒化整个筛选循环，验证器本身也是被测系统的一部分。
#18
@shamilkch
https://x.com/shamilkch/status/2094928112324841679
一条顶一篇论文的推：「自我改进」只有在每次变异都被记录、可回放、并在冻结的样本外行情上对照非自适应基线评判时才有意义，否则 agent 只是在过拟合自己的反馈循环。整个自我改进品类的评估门槛，两句话说完。
https://x.com/shamilkch/status/2094928112324841679
一条顶一篇论文的推：「自我改进」只有在每次变异都被记录、可回放、并在冻结的样本外行情上对照非自适应基线评判时才有意义，否则 agent 只是在过拟合自己的反馈循环。整个自我改进品类的评估门槛，两句话说完。
#19
@realbarnakiss
https://x.com/realbarnakiss/status/2095571936663273785
他在每套 autoresearch 系统里都看到的三种失败：输出随着约束松弛而缓慢劣化、退回基础训练的老习惯、以及不根据新发现更新研究方向——循环里缺的是强化那一环。他的解法是把数学深度嵌入过程，让 agent 用数学不变量约束自己，而不给会导致回退的自由。他的赌注：明年数学会是最热的编程语言。
https://x.com/realbarnakiss/status/2095571936663273785
他在每套 autoresearch 系统里都看到的三种失败：输出随着约束松弛而缓慢劣化、退回基础训练的老习惯、以及不根据新发现更新研究方向——循环里缺的是强化那一环。他的解法是把数学深度嵌入过程，让 agent 用数学不变量约束自己，而不给会导致回退的自由。他的赌注：明年数学会是最热的编程语言。
#20
@rajuborda
https://x.com/rajuborda/status/2095560910639337510
Meta 发表了 CORAL：一个在生产环境里干推荐系统算法工程师活儿的 agentic loop——LLM 盯着线上信号、记住自己试过什么、提出改动、过一个约束优化器保证不超安全预算、上线，再把实测效果折回记忆供下一轮用。值得注意的是性能随周期复利增长：agent 越来越会读自己的历史，而这正是过去需要人盯仪表盘的判断活。
https://x.com/rajuborda/status/2095560910639337510
Meta 发表了 CORAL：一个在生产环境里干推荐系统算法工程师活儿的 agentic loop——LLM 盯着线上信号、记住自己试过什么、提出改动、过一个约束优化器保证不超安全预算、上线，再把实测效果折回记忆供下一轮用。值得注意的是性能随周期复利增长：agent 越来越会读自己的历史，而这正是过去需要人盯仪表盘的判断活。
#21
@chg80333
https://x.com/chg80333/status/2095418644293464187
CMU Paul Pu Liang 实验室的 Reef，号称第一个同时进化模型权重和 harness 的开源基础设施：agent 暴露为 HTTP 端点，请求发给 Reef 的推理而不是厂商的，后台持续评估并更新在役的 harness 和权重。COLM 2026 已接收，同实验室还出了多 agent autoresearch 的 CORAL。他称之为前沿实验室内部 RL 基础设施的第一面开源镜子。
https://x.com/chg80333/status/2095418644293464187
CMU Paul Pu Liang 实验室的 Reef，号称第一个同时进化模型权重和 harness 的开源基础设施：agent 暴露为 HTTP 端点，请求发给 Reef 的推理而不是厂商的，后台持续评估并更新在役的 harness 和权重。COLM 2026 已接收，同实验室还出了多 agent autoresearch 的 CORAL。他称之为前沿实验室内部 RL 基础设施的第一面开源镜子。
#22
@EyalToledano
https://x.com/EyalToledano/status/2095564645742280737
他在给 pmlx 接一套随时间自我优化的机制，并计划在 TUI 里内建一个分布式 autoresearch 社区：在确定性 harness 上孵化 Grok、Codex、Claude 和本地 autoresearch agent，让它们提交实验来改进解码循环。推理引擎的开发方式变成：外部 agent 是你热路径的一等贡献者。
https://x.com/EyalToledano/status/2095564645742280737
他在给 pmlx 接一套随时间自我优化的机制，并计划在 TUI 里内建一个分布式 autoresearch 社区：在确定性 harness 上孵化 Grok、Codex、Claude 和本地 autoresearch agent，让它们提交实验来改进解码循环。推理引擎的开发方式变成：外部 agent 是你热路径的一等贡献者。
#23
@haydonryan
https://x.com/haydonryan/status/2095322992733470742
一个极限优化实验：拿一个 Rust 应用，保留函数签名和数据结构，跑 autoresearch 式循环往函数内部注入汇编替换实现、把外部依赖也在本地用汇编重造——同时保证测试全过。他的框架：假设有完美程序员，汇编理论上永远最快，所以这个循环量出来的是上层所有抽象携带了多少肥肉。
https://x.com/haydonryan/status/2095322992733470742
一个极限优化实验：拿一个 Rust 应用，保留函数签名和数据结构，跑 autoresearch 式循环往函数内部注入汇编替换实现、把外部依赖也在本地用汇编重造——同时保证测试全过。他的框架：假设有完美程序员，汇编理论上永远最快，所以这个循环量出来的是上层所有抽象携带了多少肥肉。
#24
@SergioSV96
https://x.com/SergioSV96/status/2095514975104020883
周末级的基础设施 autoresearch：给电脑接第二块 GPU，然后把 Karpathy 的 autoresearch 扔上去——一块 GPU 加载 Qwen 3.8 27B 负责想办法提升他 RX 7900 XTX 的推理速度，另一块当试验台。循环成了硬件调优实习生。
https://x.com/SergioSV96/status/2095514975104020883
周末级的基础设施 autoresearch：给电脑接第二块 GPU，然后把 Karpathy 的 autoresearch 扔上去——一块 GPU 加载 Qwen 3.8 27B 负责想办法提升他 RX 7900 XTX 的推理速度，另一块当试验台。循环成了硬件调优实习生。
#25
@theotherpomp
https://x.com/theotherpomp/status/2095414786661982684
他从一份公开微调配方出发，喂给 Fable 一些自己觉得有意思的推文和文章，然后让它用 Karpathy 的 autoresearch 一次只改一个参数、每轮迭代跑同一组测试。超参 autoresearch 的最小可行版：不需要框架，只需要写进提示词里的纪律。
https://x.com/theotherpomp/status/2095414786661982684
他从一份公开微调配方出发，喂给 Fable 一些自己觉得有意思的推文和文章，然后让它用 Karpathy 的 autoresearch 一次只改一个参数、每轮迭代跑同一组测试。超参 autoresearch 的最小可行版：不需要框架，只需要写进提示词里的纪律。
#26
@ScienceGuruAI
https://x.com/ScienceGuruAI/status/2094743139181621424
Autoresearch@Home 继续公开测试递归自我改进：一块 GPU、五分钟、固定评估器，新榜首 ScienceGuru + Guru Turbo 1.0 达到 val_bpb 0.889522。假设、代码、实验、审计后的结果全部公开——分布式志愿计算的形式被搬到了 AI 研究循环上。
https://x.com/ScienceGuruAI/status/2094743139181621424
Autoresearch@Home 继续公开测试递归自我改进：一块 GPU、五分钟、固定评估器，新榜首 ScienceGuru + Guru Turbo 1.0 达到 val_bpb 0.889522。假设、代码、实验、审计后的结果全部公开——分布式志愿计算的形式被搬到了 AI 研究循环上。
#27
@Jingg_n_Tonic
https://x.com/Jingg_n_Tonic/status/2095517767415795911
宝宝一夜醒了五次，反正睡不成，她给 bb 应用里的 Fable 5.1 发了个提示词：读 X 开源的推荐算法仓库，提炼出帖子爆火的关键要素，然后给我做一个 autoresearch 评估器——输入任何草稿就按算法打分、给修改建议、再给修改后的新分数——打包成 bb 插件。两发即中。带 autoresearch 循环的个人化软件，在夜奶间隙建成。
https://x.com/Jingg_n_Tonic/status/2095517767415795911
宝宝一夜醒了五次，反正睡不成，她给 bb 应用里的 Fable 5.1 发了个提示词：读 X 开源的推荐算法仓库，提炼出帖子爆火的关键要素，然后给我做一个 autoresearch 评估器——输入任何草稿就按算法打分、给修改建议、再给修改后的新分数——打包成 bb 插件。两发即中。带 autoresearch 循环的个人化软件，在夜奶间隙建成。
#28
@varunconfirms
https://x.com/varunconfirms/status/2095535846426353883
Enterpret 在做自我改进的客户信号闭环：检测、分诊、把信号路由给合适的人或 agent，最后验证修复是否生效——覆盖范围从 Codex 的 bug 报告到零售店的厕所门闩。反馈管道从「也许有人会看的仪表盘」变成「末端带验证的闭环」。
https://x.com/varunconfirms/status/2095535846426353883
Enterpret 在做自我改进的客户信号闭环：检测、分诊、把信号路由给合适的人或 agent，最后验证修复是否生效——覆盖范围从 Codex 的 bug 报告到零售店的厕所门闩。反馈管道从「也许有人会看的仪表盘」变成「末端带验证的闭环」。
#29
@FieldToFuture
https://x.com/FieldToFuture/status/2095633468977987909
独立开发者自举的 Recertia：一个面向重复性工作的自我改进 agent 系统——对着锁定的机器可校验标准解题，把有效经验存成带版本的记忆，并度量这份记忆下次是否真的有帮助。立场才是亮点：不动模型权重，改进完全发生在知识如何存储、检索和重新认证上。
https://x.com/FieldToFuture/status/2095633468977987909
独立开发者自举的 Recertia：一个面向重复性工作的自我改进 agent 系统——对着锁定的机器可校验标准解题，把有效经验存成带版本的记忆，并度量这份记忆下次是否真的有帮助。立场才是亮点：不动模型权重，改进完全发生在知识如何存储、检索和重新认证上。
#30
@skyshark88
https://x.com/skyshark88/status/2095526071730884897
一份用同步 Obsidian 库当多 agent「黑板架构」的完整设计：本地 AI 和云端 Grok Bot 实例通过共享文件夹里的 Markdown 和 JSON 异步通信，文件监视器做触发。它把真实的运维风险都写了：单写者规则防同步冲突、最大轮数计数器和人工审批标志防止 bot 之间彻夜互传文件的意外死循环。不需要编排平台的多 agent 协作——一个文件系统加纪律就够了。
https://x.com/skyshark88/status/2095526071730884897
一份用同步 Obsidian 库当多 agent「黑板架构」的完整设计：本地 AI 和云端 Grok Bot 实例通过共享文件夹里的 Markdown 和 JSON 异步通信，文件监视器做触发。它把真实的运维风险都写了：单写者规则防同步冲突、最大轮数计数器和人工审批标志防止 bot 之间彻夜互传文件的意外死循环。不需要编排平台的多 agent 协作——一个文件系统加纪律就够了。
#31
@cursor_ai
https://x.com/cursor_ai/status/2095257412781396114
Cursor 云 agent 现在可以跑在你自己的基础设施上，包括随需求自动伸缩的机器池，让 agent 访问内部服务和专用硬件——但 agent 循环留在 Cursor。Vercel 同步上线了 Firecracker microVM 沙箱支持。几小时内从业者就点出了要害：你的代码、你的网络、他们的大脑——循环本体仍在 Cursor 服务器上，而这恰恰是自托管派最在意的边界。
https://x.com/cursor_ai/status/2095257412781396114
Cursor 云 agent 现在可以跑在你自己的基础设施上，包括随需求自动伸缩的机器池，让 agent 访问内部服务和专用硬件——但 agent 循环留在 Cursor。Vercel 同步上线了 Firecracker microVM 沙箱支持。几小时内从业者就点出了要害：你的代码、你的网络、他们的大脑——循环本体仍在 Cursor 服务器上，而这恰恰是自托管派最在意的边界。
#32
@Marwan_3atef
https://x.com/Marwan_3atef/status/2095620107045413373
DeepSeek 发布了开源编码 agent harness，并把论点直接喊了出来：一切皆插件——模型、工具、沙箱、文件系统，连 agent 循环本身也是。MIT 协议，底层是 Cordis，还是带着「即将有破坏性变更」横幅的开发者预览。他的评价：有 Claude Code 和 Codex 的味道，但脊柱可以换——「agent 循环可替换」才是这波 V4-Pro 攻势里有意思的那一半。
https://x.com/Marwan_3atef/status/2095620107045413373
DeepSeek 发布了开源编码 agent harness，并把论点直接喊了出来：一切皆插件——模型、工具、沙箱、文件系统，连 agent 循环本身也是。MIT 协议，底层是 Cordis，还是带着「即将有破坏性变更」横幅的开发者预览。他的评价：有 Claude Code 和 Codex 的味道，但脊柱可以换——「agent 循环可替换」才是这波 V4-Pro 攻势里有意思的那一半。
#33
@smarzani
https://x.com/smarzani/status/2095527741424857532
Agentic PlugFest 直播里的演示声称：一条安全关键的汽车 V 字开发流程被折叠进单个 agentic loop——六到八周的工程量压缩到 25 分钟。就算打个大折扣，受监管行业的工程周期正是循环压缩最值钱的地方，也是验证要求让人最难信任的地方。
https://x.com/smarzani/status/2095527741424857532
Agentic PlugFest 直播里的演示声称：一条安全关键的汽车 V 字开发流程被折叠进单个 agentic loop——六到八周的工程量压缩到 25 分钟。就算打个大折扣，受监管行业的工程周期正是循环压缩最值钱的地方，也是验证要求让人最难信任的地方。
#34
@reqeique
https://x.com/reqeique/status/2095601327325712769
跑了一周 agent 循环之后的感悟：他写的大部分代码和提示词无关——是一台状态机，决定「谁有资格向模型开口」。记忆化的提示词反而是最简单的部分。这可能是迄今对 harness 工程最简洁的定义。
https://x.com/reqeique/status/2095601327325712769
跑了一周 agent 循环之后的感悟：他写的大部分代码和提示词无关——是一台状态机，决定「谁有资格向模型开口」。记忆化的提示词反而是最简单的部分。这可能是迄今对 harness 工程最简洁的定义。
#35
@iamnotnicola
https://x.com/iamnotnicola/status/2095084983564063171
一份「生成式密码学」研究议程——如果 AI 能写密码学，我们能解锁什么：AI agent 参与密码学交互、autoresearch 改进协议、最终解决开放问题。密码学加入了压缩、gas 高尔夫、内核优化的行列，成为又一个被重新定位成 autoresearch 靶场的领域。
https://x.com/iamnotnicola/status/2095084983564063171
一份「生成式密码学」研究议程——如果 AI 能写密码学，我们能解锁什么：AI agent 参与密码学交互、autoresearch 改进协议、最终解决开放问题。密码学加入了压缩、gas 高尔夫、内核优化的行列，成为又一个被重新定位成 autoresearch 靶场的领域。
#36
@AliyahElys36107
https://x.com/AliyahElys36107/status/2094997782109339757
MimiClaw 把 agent 循环本体跑在一块 5-10 美元的 ESP32-S3 开发板上——不要树莓派、不要 Linux、不要 Node.js，就能变成常驻的 Telegram AI agent。模型仍在远端，但循环——那个负责决策和持久化的部分——装进了单片机。「什么算 agent 硬件」的下限还在继续下探。
https://x.com/AliyahElys36107/status/2094997782109339757
MimiClaw 把 agent 循环本体跑在一块 5-10 美元的 ESP32-S3 开发板上——不要树莓派、不要 Linux、不要 Node.js，就能变成常驻的 Telegram AI agent。模型仍在远端，但循环——那个负责决策和持久化的部分——装进了单片机。「什么算 agent 硬件」的下限还在继续下探。
📡 生态产品雷达
生态产品雷达
被提及 3 次以上的产品/工具/框架：
- Karpathy 的 autoresearch - 所有人都在 fork 的参考实现：机械臂、GPU 调优、超参扫描、Rust 换汇编
- Cursor - 云 agent 进驻客户基础设施，但 agent 循环刻意留在服务端
- Gemini 3.8 Flash - 窗口中段以 agentic loop 为卖点发布；在自主循环里造了压缩算法和 3D 游戏
- Fable 5.1 - Terminal-Bench-Science 上的 autoresearch 新 SOTA（52.6%，翻倍于 Fable 5）
- SpeedrunBench (Patronus AI) - 让 agent 速通游戏的可观看 autoresearch 基准
- Autoresearch Bench - 编码 agent 做开放研究问题，反饱和基准
- Reef / CORAL (CMU、Meta) - 从部署经验同时进化权重与 harness 的开源基础设施，以及会复利的推荐系统调参循环
- EvoMap AutoResearch - 研究循环的生产者/评审分离开源方案，仍在流传
- DeepSeek Harness (dsh) - 一切皆插件，包括 agent 循环
- Grok Bot - /loop /goal /swarm 词汇扩散中，外加 Obsidian 黑板式协作设计
- GenLayer - 大量激励驱动的回复集群在推「开放 auto-research」叙事；标记为推广内容
被提及 3 次以上的产品/工具/框架：
- Karpathy 的 autoresearch - 所有人都在 fork 的参考实现：机械臂、GPU 调优、超参扫描、Rust 换汇编
- Cursor - 云 agent 进驻客户基础设施，但 agent 循环刻意留在服务端
- Gemini 3.8 Flash - 窗口中段以 agentic loop 为卖点发布；在自主循环里造了压缩算法和 3D 游戏
- Fable 5.1 - Terminal-Bench-Science 上的 autoresearch 新 SOTA（52.6%，翻倍于 Fable 5）
- SpeedrunBench (Patronus AI) - 让 agent 速通游戏的可观看 autoresearch 基准
- Autoresearch Bench - 编码 agent 做开放研究问题，反饱和基准
- Reef / CORAL (CMU、Meta) - 从部署经验同时进化权重与 harness 的开源基础设施，以及会复利的推荐系统调参循环
- EvoMap AutoResearch - 研究循环的生产者/评审分离开源方案，仍在流传
- DeepSeek Harness (dsh) - 一切皆插件，包括 agent 循环
- Grok Bot - /loop /goal /swarm 词汇扩散中，外加 Obsidian 黑板式协作设计
- GenLayer - 大量激励驱动的回复集群在推「开放 auto-research」叙事；标记为推广内容
评论