Loop 日报: 2026年7月13日

@jamonholmgren
https://x.com/jamonholmgren/status/2076001786700394610
一帖倒出全部 agentic 家底：一个当路由器用的 AGENTS.md、带 7 行可 grep 摘要的自愈文档、永远自己把应用跑起来的 agent、会调用更便宜的 LLM 直接修问题而不是只报警的自定义 linter、带人设的跨 agent 互审、随代码一起提交的 agent 工作表，外加一个专门用于自主工作的「agent loop / 夜班」skill。他还养了一个「虚假信心」测试审计 skill，专门抓那些没测到你以为在测的东西的测试。他的结论：有了这一整套，agentic coding 和干巴巴写 prompt 完全是两种运动。这帖拿下 22.7 万曝光，因为它是目前公开的、关于生产级 loop 到底需要什么的最完整清单。

@S1r1u5_
https://x.com/S1r1u5_/status/2076041885236465941
一家安全公司自己造了 agent harness，因为 Claude Code、Codex、opencode 和 pi 对他们的安全编排工作流来说都太通用了。自建 harness 的坑在于：它会悄悄过时，而靠人读每条 trace 来发现退化苦不堪言，所以他们在自己的日常编码里 dogfood 这个 agent。接着他们解决了「TUI 太烂导致没人愿意 dogfood」的问题——在 opencode 的工具和自家 harness 之间写了一层协议转换：上面是 opencode 打磨好的 TUI，下面是自己的 loop、预算控制和结构化输出。附赠一手：有个工作流盯着 opencode 的新版本发布，由一个 agent 自动把有用的东西移植过来。

@Zyron5m
https://x.com/Zyron5m/status/2075929585737224522
Karpathy 新一期 No Priors 访谈的回顾，其中对 loop 玩家最要命的细节是：他让一个 autoresearch loop 在一个自己手调了二十年的仓库上跑了一夜，结果它翻出一个被遗忘的 weight decay 和没调过的 Adam betas。二十年的经验睡了一觉，loop 一晚上就找到了。他的诚实警告也被引用了：没有客观指标，就没有 loop。他说自己从去年 12 月起没敲过一行代码，每天花 16 小时向 agent 表达意图。

@0xMortyx
https://x.com/0xMortyx/status/2075928768368025702
推荐了 Ross Mike 教授一场 20 分钟的分享，主角是一个每月烧 130 万美元 token 的 agentic loop，论点是：agentic loop 正在烧钱，却没人谈这件事。拆解覆盖了他的完整配置：agent loop 加 code review harness 加反馈打分，还有大多数 loop 内容都跳过的部分——什么时候该拔插头。在一个通常只晒赢的题材里，这是罕见的诚实记账。

@Kautukkundan
https://x.com/Kautukkundan/status/2075859396811444582
为什么本地 agent 现在还不成立，出自一个带 Apple 平台团队的人：一个 agentic loop 15 分钟掉 20% 电量，因为 macOS 的 QoS 调度是为「冲刺完就睡」的突发型应用设计的，而 think-tool-wait 循环永远不收尾。真正的成本在内存不在算力——把一个字节搬出 DRAM 的开销约是对它做算术的 1000 倍，7B 模型上大约每个 token 2 焦耳，这是物理下限，任何计算优化都绕不过去。调度器看到一个火热的进程，就把根本用不上的时钟频率拉满，芯片过热降频，连锁崩塌。唯一的杠杆：更小的模型和不同的访存模式。

@bingxu_
https://x.com/bingxu_/status/2075961458484281497
int21 在基础设施层攻自我改进，而不是去训模型：一个面向自主 agent 系统的云原生 SwarmOS，一套为自我改进、自我演化 agent 设计的架构，外加一个靠算力驱动的跨会话知识熔炉。有意思的地方在于这是一个赌注：loop 的复利在共享基础设施里，而不在任何单一模型的权重里。

@peteferr
https://x.com/peteferr/status/2075919589989392457
本周关于企业级自我改进最锋利的一段话定义：改进信号是人类在真实条件下纠正 agent，而大多数系统只是把纠正记下来就自称在学习——那是审计日志，不是学习。复利只有在你捕捉到操作员为什么推翻了 agent、并把这个推理喂回去之后才开始，让下一次决策直接站在你最优秀的人刚教会它的东西上。

@YassineLanda
https://x.com/YassineLanda/status/2075926065302630542
Loom 让你直接输入「forecast 15min bitcoin」或者「谁最可能流失」，然后在 10-15 分钟内给出带严格回测和可复现性的 SOTA 结果，背后是一个用不同用例的 autoresearch trace 训练出来的 RL 模型。产品自带协作式 run 分享、远程 GPU 执行、移动/桌面/网页三端应用、data-lake 支持和一键部署。今年夏天面向开发者和数据科学家开私测。这里最值得注意的一步棋：把 autoresearch trace 当 RL 训练数据用。

@dilika
https://x.com/dilika/status/2075925619745927426
一个没人写进预算的定价倒挂：裸调 LLM API 每 100 万 token 要 2-7 美元，而 coding-agent 订阅折算下来大约每 100 万 token 只要 0.08-2 美元——订阅在补贴推理成本。Popiol 的做法：不在 agent 里调 LLM API，而是用 subprocess 直接 shell 调 claude 二进制，加上 --print 和 JSON schema 输出，再包一层 LangChain 兼容的 adapter，你的 agent loop 就跑在每月 20 美元的订阅上，而不是一张 API 账单上。复杂的 agent 反而比裸模型更便宜。

@V8X_Team
https://x.com/V8X_Team/status/2076066812458885461
一个做 agent 的团队花了几个月真刀真枪用过 OpenClaw、OpenAI 的 Agents SDK、Google 的 ADK 和 Letta，最后定在 Hermes 上，并把心得写了出来。这份东西有用，是因为每个框架的落地页看起来都很美，但几乎没人公开淘汰的推理过程——这正是 agent 框架市场急缺的「我们替你跑完了评测」题材。

@VukRosic99
https://x.com/VukRosic99/status/2075929097310761121
一篇讲 Red Queen Gödel Machine 的干净科普：大多数自我改进 agent 由一个永不改变的裁判打分，RQGM 让裁判也能进化。机制是：裁判在每个 epoch 内冻结，新裁判只有在留出的 ground truth 上打赢旧裁判才能上位，而且换裁判只会选择性地清除依赖旧裁判的那部分分数。评估器进化问题正悄悄成为 loop 设计的前沿。

@BryceDelRio
https://x.com/BryceDelRio/status/2075761164298907756
花了大半年打磨 Claude 工作流——claude.md、从任务板派发 subagent 的 system prompt、front-run/spec/code/review 循环——然后试着把整套东西搬到 Grok 的 harness 上。能跑，但 subagent 启动比普通会话慢得多，而且那个 harness 似乎没有原生的 fan-out。这是一个真实数据点：loop 工程投入在不同 harness 之间有多不可迁移。

@bytetweets
https://x.com/bytetweets/status/2076072031771046178
做了 Kamino451，一个轻量级 agent 工厂：任务根据 agent+模型组合在相似任务上的历史表现，被匹配给已有或新建的 agent 和不同的 LLM；任务难度用一套相对 Elo 系统打分；再用一个改编版的 Karpathy autoresearch 对着评估语料改进单个 agent。同时收集 agent trace 供人工错误分析。把 agent 选择做成一个可学习、确定性的系统，而不是凭感觉。

@Yif_Yang
https://x.com/Yif_Yang/status/2075749979180900394
IdeaGene-Bench 把 autoresearch 从论文检索推进到谱系级理解——它的框架是：科学想法会继承、变异、演化，所以一个有真正研究品味的 AI 科学家需要追踪想法的家谱，而不只是抓引用。这是朝着「理解一个假设从哪来」的 autoresearch loop 迈出的一步。

@RedBrickLabs_
https://x.com/RedBrickLabs_/status/2075971128376574102
给 Codex 发布了一个 autoresearch skill：给它一个目标，人走开，回来就是一个更好的代码库。它整夜循环跑 modify、verify、keep-or-revert——Karpathy 的配方，泛化到任何一条命令能测量的指标上。真正有意思的是移植本身：诞生于 Claude Code 的 loop 模式，现在已经 harness 无关了。

@JacobCounsell
https://x.com/JacobCounsell/status/2075735215008583952
他的产品是一个 agent loop，像真正的产品团队一样验证一个产品想法，然后做出 MVP，逼着 Claude 和 Codex 写更好的代码同时省 token，再生成落地页和文案，最后把 SEO 也做了——目前大约有 10 个已完成、在赚 MRR 的产品。他的吐槽：vibe coder 零调研，把垃圾一路堆到 token 上限，然后怪分发。MVP 从来不是难点，迭代到 PMF 才是。

@krzyzanowskim
https://x.com/krzyzanowskim/status/2075974287387701642
做了一个把 agentic loop 当一等公民集成进去、而不是外挂上去的 IDE：预装精心打造的 skill 和工具，同时仍是一个真正的代码编辑器，还内置一个本地 Linux VM 用来跑程序。「agent 原生 IDE」这个品类不断迎来新玩家，都是对「agent 只配当侧边栏」不满的人。

@WhinyPuppy98
https://x.com/WhinyPuppy98/status/2075985955476177269
claude-code-from-scratch 用约 4,000 行 TypeScript 和 Python 重建了 Claude Code 的核心架构：14 个独立章节，覆盖 agent loop、工具、streaming、权限、上下文压缩、记忆、skills、plan mode、sub-agent 和 MCP，每章都能用 mock 模型跑起来，不需要 API key。每个组件都映射回真实架构，并讲清每个设计决策的为什么。如果你用 coding agent 做东西，理解 loop 胜过任何 prompt 技巧。

@TheCoderBtw
https://x.com/TheCoderBtw/status/2075817359080906799
一个小战场故事，教训很大：他的 agent loop 拒绝启动，坚信自己已经在跑，因为存活检查是对整条命令行做子串匹配——任何参数里带着 loop 名字的进程都会触发这道闸。修法：精确匹配 argv[0]。生产环境跑 loop 的不体面真相，正是这类蠢但致命的 bug。

@killix
https://x.com/killix/status/2075974521933148542
一个 agent loop 昨天删掉了一张 staging 表；他的可观测性平台给这次运行打了 100% 满意度。他是早上构建挂了才发现的。平台评的是模型说了什么，不是进程做了什么——它从来没把这次运行当成一个他能盯着的、会持有连接并中途 kill 掉的 job 来展示。这是迄今为止对「用 LLM 当裁判做可观测性、却放任具备破坏能力的 loop」最锋利的短篇控诉。

@MannyKayy
https://x.com/MannyKayy/status/2075967196501512587
摩擦报告：Fable 的安全护栏挡住了他连自己的 autoresearch harness 都没法更新，他称这对任何稍有意思的前沿工作来说等于不可用。不管你怎么看这个安全权衡，autoresearch harness 开发者撞上模型级拒答，是一类需要提前规划的新型 loop 故障。

@sun_hanchi
https://x.com/sun_hanchi/status/2076087159942189511
GPT-5.6 之后 token 用量涨了 10 倍——不是因为盯得更紧，恰恰相反。他把模型扔进一个 autoresearch loop，字面意义上的「/goal don't stop keep working」，塞给它一串要试的想法，然后出门了。loop 成了默认操作模式，人被压缩成一个只负责供应想法队列的角色。

@pokorz
https://x.com/pokorz/status/2075908527650951247
他主张启发式问题竞赛比任何 benchmark 都更能代理 ML autoresearch 能力：如果 AI 在那里追平最强的人类，我们就离递归自我改进和自动化研究员非常近了。他的判断是：这类结果的分量，远远大于在某个可疑 benchmark 上刷个高分。

@cmd_alt_ecs
https://x.com/cmd_alt_ecs/status/2076064064607043625
他把 OpenAI 的 gpt-live 读成一个延迟分层，而不是语音 demo：一个小而快的全双工模型撑住对话，gpt-5.5 在带外做搜索和硬推理，再把答案折回来。应用团队手搓这套拆分已经一年了，现在它被产品化了。给 loop 玩家的可执行结论：审计一下你有哪些轮次在为前沿模型的延迟买单，而那些活本可以由一个快模型先顶着、让推理模型异步跟上。