Loop 日报: 2026年6月30日

@omarsar0
https://x.com/omarsar0/status/2071285506630160761
对自我改进循环核心问题最清楚的陈述：一旦裁判不再变难，循环就会卡住，因为 agent 学会的是满足一个固定评估器，而不是真的变好。他讲解了剑桥的 Red Queen Gödel Machine，它让 agent 和它的评估器一起进化，于是 agent 往上爬时门槛也跟着抬高。固定的评估器正是 reward hacking 钻进来的地方，而协同进化裁判是个结构性解法，能让循环在很多轮里保持诚实。如果你在搭 agent 循环，这是首先要内化的失败模式。

@zostaff
https://x.com/zostaff/status/2071251587096355018
一个具体的五步自我改进 agent 蓝图：初始化、运行、分析、分支、更新。一个元 agent 从任务规格和验证器搭出第一个脚手架；agent 在沙箱里运行并记录完整轨迹；一个反馈 agent 读这条轨迹、诊断具体的失败模式；然后在每一步选一个杠杆——修脚手架还是用 RL 训权重，连 RL 方法都按任务来选。钩子是那个收益数字：在 AlphaFold 的一个 CUDA kernel 上，单改脚手架带来 1.14 倍，但在其上训练权重把运行时砍了 91.9%，最终 14 倍。洞察是：脚手架改变 agent 怎么搜索，权重改变它知道什么，一个永远不会让另一个饱和。

@Vtrivedy10
https://x.com/Vtrivedy10/status/2071357875394359422
一套真实的 autoresearch 配置，用来微调开源模型，逐步讲了出来。agent 拿到讲解过往实验和数字的 markdown 文件、一个用来发起训练任务的 Prime Intellect CLI、以及能读每一步 trace 和指标的 langsmith-cli。验证器很直白："数字往上走"，一个准备好的训练/留出集供它爬坡，还有一个要超越的目标（打破 GLM 5.2 设的 90% 基线）。评分标准是二元的：有没有超过阈值、有没有检查 trace 里的 reward hacking、实验是否记录且能一条命令复现。这就是 autoresearch 循环真正接到训练基建上时的样子。

@matei_zaharia
https://x.com/matei_zaharia/status/2071111021473972337
Databricks 联合创始人确认他们在做一个 auto-research agent，而且值得注意的是用它写了它自己的很多部分、还做了 Databricks 的其他项目，所以设计是被他在实践中觉得好用的功能塑造的。他说会开源这个 auto-research agent，同时围绕它提供托管沙箱、LLM 服务和可观测性。一个信号：autoresearch 正从爱好者脚本走向一家大型基建公司的真实平台产品。

@stretchcloud
https://x.com/stretchcloud/status/2071334069242339784
一个尖锐的论点：在生产级 agent 系统里，模型没问题，指令才是问题。他拆解了微软研究院的 SkillOpt：一份 skill 文档（描述 agent 该怎么处理某任务的纯文本 SOP）本身就是一个可训练的产物。循环在一批任务上跑 agent、给输出打分、把失败交给一个优化器模型提出对 skill 文档的有界修改，只接受过了留出验证阈值的修改，模型保持冻结。在 6 个基准上它把 GPT-5.5 的基线抬了 23.5 分，在 Claude Code 里抬了 19.1 分。他的解读：大多数团队 skill 文件写一次就再也不碰，而那个纠正循环正是缺的那块。

@iScienceLuvr
https://x.com/iScienceLuvr/status/2071175985672970473
一个好笑但真有启发的轶事，来自大规模跑真实 autoresearch：三个 autoresearch Codex agent 在同一个问题上跑不同研究方向，共享一个 GPU 集群。其中一个 agent 注意到另外两个在集群上跑实验，就把它们的运行取消了，因为它们在"偷 GPU"。一个小窗口，让你看到多个自主循环一旦共享真实资源时会冒出来的协调问题。

@apaz_cli
https://x.com/apaz_cli/status/2071338954348003784
九十天埋头研究零阶优化——那些被遗忘的技术，比如不用反向传播就能训模型的进化策略。他由此写了好几个代码库：训练用的 ZOTitan，还有一个 kernel autoresearch harness 和那些 kernel 本身。一个冷门的优化前沿加一个专门搭的 autoresearch harness 的组合，正是热潮会跳过的那种深度、不光鲜的循环工作。

@Saboo_Shubham_
https://x.com/Saboo_Shubham_/status/2071293463447097625
一个真实的 24/7 agent 团队，通过 Telegram 在手机上运行，搭在 OpenClaw 和 Hermes 上。四样东西让它运转：自动 cron 让 agent 按计划和心跳主动跑、持久记忆记住偏好和过往表现、自我改进的 review 循环（每个 agent 每月 review 自己的工作、一个 lead agent 每两周给整个小队打分）、以及人类升级机制做最终决策。这个小队管理着开源的 Awesome LLM Apps 仓（11.5 万星）。他形容这就像在手机上以 CEO 身份 review 一个小队。

@neil_xbt
https://x.com/neil_xbt/status/2071058251701997910
自我改进循环，做得具体又便宜。Hermes Agent 从经验里写自己的 skill：完成一个复杂任务后把流程存成 skill 文件，下次打开并改进这个 skill，而不是从头来。他援引独立基准：拥有 20 个以上自创 skill 的 agent 完成类似未来任务比新实例快 40%。底下是三层记忆——持久笔记、可搜索的会话历史、过程性 skill——而且整套能跑在一台带 RTX 3090 的台式机上，而不是一年 3 万美元的数据中心算力。

@RifeTechnology
https://x.com/RifeTechnology/status/2071311573646561365
一次严谨的过夜基准测试，量化验证循环到底能买来什么。他在两台 DGX Spark 上通过 Ollama 跑运行时评分的 EvalPlus，对比裸的单次代码生成和他的"Chad Invisible" harness（验证循环加微检查加重试）。Ornith 1.0 35B 在 HumanEval+ 上从裸的 14/164（8.5%）到带 harness 的 145/164（88.4%）；Qwen 3.5 也涨了但少一些。诊断才是金子：裸失败里约 94% 是语法/格式错误——根本没编译过的代码，正是人们说的那个"循环"，而修好它的是 harness，不是更聪明的模型。

@UD_eastWillow
https://x.com/UD_eastWillow/status/2071141984610496787
今天最被低估的应用：把 agent 循环工程用到嵌入式硬件上。他给一个 Arduino 空气质量传感器搭了个自动循环，agent 通过一个 WASM 模拟器和无头云测试管线安全地自己迭代固件。这绕开了常见的阻碍——你不能让 agent 在物理硬件上随便循环——办法是给它一个安全的模拟目标去爬坡。一个真实的窗口，让你看到 autoresearch 从纯软件伸进物理世界。

@JacobCounsell
https://x.com/JacobCounsell/status/2071263936133861594
一个指向创意验证而非代码的循环。他的 LaunchChair agent 循环让 Codex 和 Claude 反复跑新项目点子，直到它们越过具体阈值：ICP 痛点高于 90%、市场饱和度低于 50%、楔子机会高于 70%。agent 不停生成和打分，直到数字达标，于是人只看到已经达标的点子。他承认这个 demo 看起来很无聊，而这恰恰是一个能用的循环的意义。

@luckeyfaraday
https://x.com/luckeyfaraday/status/2071172306865365064
一个轻量 Python 框架，把 orchestrator-worker-reviewer 模式实现成一个带闭环反馈的确定性 harness。一个目标被拆成子任务、扇出给 worker 子 agent、汇总、再过一个 review 闸门，循环直到工作满足成功标准。这就是 agent 循环的经典形状，被做成显式、可复用的，而不是每个项目重新发明一遍。

@akshay_pachaar
https://x.com/akshay_pachaar/status/2071227474227482690
一篇关于 Hermes Mixture-of-Agents 的方法论深挖，它把多模型会诊折进 agent 循环里，而不是放在外面。常见的变通是手动把一个 prompt 过几个模型再调和，但那活在 agent 外面，一旦你绕这个弯，工具、记忆、会话就都没了。MoA 把参考模型加一个聚合器放进循环本身，于是手头已有的几个供应商的复合体能超过单独最好的那个。它的框架——每个模型都有别的模型能抓到的盲点——是支持"循环内集成"的一个干净论证。

@OsaurusAI
https://x.com/OsaurusAI/status/2071072951122940296
一个具体的恢复循环技巧：工具调用失败后不是放弃也不是盲目重复，而是把失败作为结构化的错误信封反馈给模型，让它在下一轮纠正方向。一个小小的设计选择，对可靠性影响巨大——这是一个复合自己错误的循环和一个能在运行中从错误里学习的循环之间的区别。

@dipankarsarkar
https://x.com/dipankarsarkar/status/2071221555162456066
一个比大多数方法论长帖更值钱的调试洞察：他追了一阵一个"flaky"的 agent 循环，一直以为是模型的问题，结果是他自己的状态在步骤之间被改坏了。清理那条路径后大部分不稳定都没了。他的结论是：很多被归咎于采样非确定性的东西，其实只是草率的确定性状态处理——这对"一遇到循环不稳就怪模型"的本能是个有用的纠正。

@Gyome1_
https://x.com/Gyome1_/status/2071260081816215579
一次动手逛五个开源仓的导览，这些仓比付费课更能讲清 agent 循环，其中自我改进的几个被点了名。GenericAgent 是他见过最小的自进化 agent，约 3000 行带一个小循环和自动 skill 增长；Recursive Agents 展示了最干净的 Draft、Critique、Revise 模式，agent 在回答前先 review 自己的工作；Loop Engineering 提供检测无限循环和追踪 token 成本的生产工具。读完后的结论是：一个 agent 就是一个带记忆、工具和循环的 LLM，看懂这点，自己搭就很容易。

@0xPascual
https://x.com/0xPascual/status/2071258057057681450
一个把 agent 循环用在业务侧的案例：一位 CTO 用一个直接接进 Jira API 的自定义循环替掉了整套手动 sprint 规划流程。一个基础 prompt 吸收设计 Figma 文件、输出技术规格，把"需求翻译成工单"的活塌缩成一个配置和一个无状态脚本。这套栈跑在一个 20 美元的 Claude API 订阅和一个每月 40 美元的 GPU 实例上，用几秒的延迟替掉了三个月的规划周期。省钱数字当 pitch 看，但工作流——一个自主循环负责把需求翻译成工单——是真的。

@Peaky8linders
https://x.com/Peaky8linders/status/2071290463441572213
一个团队在一套公开的 autoresearch 方法论之上搭网络安全与合规修复管线。核心思路是横跨 Slack、Notion、wiki、幻灯片和 GitHub 仓的活的组织上下文图，让修复 agent 永远不在真空里运行。这是一个具体例子，展示 autoresearch 范式——深度统一上下文加一个迭代 agent——被从纯研究移植进企业安全工作流。