Loop 日报: 2026-11-23
这一窗,循环改的不是代码,是指令。有人让一个 agent 循环从零重写自家产品的系统提示词,结果删掉了 75%,输出质量反而更好,速度和成本还省了 25%。LangChain 的 harness 研究被反复引用也是同一个道理:模型一个字没动,Terminal-Bench 2.0 从 52.8% 涨到 66.5%,靠的主要是两样东西,一个是 agent 宣布完工之前的自检,一个是专抓「同一个文件来回改」的循环检测。Google 的 GUARD 论文走得更远,干脆冻住权重,只让 agent 改自己的工具规则和流程记忆。Meta 则让循环去造评测本身:Benchmark Factory 把合并进主干的代码改动变成基准,一直修到坏基准能被抓出来 98.6% 为止。成本这边说得更直白:据说有个失控的循环在监控一片绿的情况下 11 天烧掉 4.7 万美元,反复被提起的建议是贵模型做规划、便宜模型跑循环。Karpathy 讲座剪辑、Hermes Agent 推广和 AdaL 回复农场依旧很吵,这里一条不收。
#1
@jachands
https://x.com/jachands/status/2123612005890232652
@jachands 这周跑了一个 agent 循环,把团队正在做的 agent 产品的系统提示词整个删掉,让它从零摸索 agent 到底需要什么。结果提示词砍掉 75%,输出质量更高,运行快了也便宜了 25%。作者的结论是,这些年针对坏行为一条条打的补丁本身就是问题:告诉模型它在什么环境、目标是什么、为什么而做,再给它自测的手段,它就能连跑几小时甚至几天。帖子后半段是一份 agent 在 Cloudflare 上还会绊倒的清单,从全局 Access 规则,到明明秒级就能重建的 Durable Object 却被 agent 加了 10 秒「保险」重试。
https://x.com/jachands/status/2123612005890232652
@jachands 这周跑了一个 agent 循环,把团队正在做的 agent 产品的系统提示词整个删掉,让它从零摸索 agent 到底需要什么。结果提示词砍掉 75%,输出质量更高,运行快了也便宜了 25%。作者的结论是,这些年针对坏行为一条条打的补丁本身就是问题:告诉模型它在什么环境、目标是什么、为什么而做,再给它自测的手段,它就能连跑几小时甚至几天。帖子后半段是一份 agent 在 Cloudflare 上还会绊倒的清单,从全局 Access 规则,到明明秒级就能重建的 Durable Object 却被 agent 加了 10 秒「保险」重试。
#2
@MaryamMiradi
https://x.com/MaryamMiradi/status/2123875734305345575
@MaryamMiradi 梳理了 LangChain 的 harness 研究:同一个模型不换,编程 agent 在 Terminal-Bench 2.0 上从 52.8% 涨到 66.5%,从三十名开外冲进前五。被单独点名的两招很具体:完工前加一道检查,逼 agent 拿原始任务核对自己的成果;再加循环检测,抓住反复改同一个文件却毫无进展的 agent。帖子把整套东西拆成五层,从 agent 循环、工具工程一路到记忆文件和评测。结尾那条规则很实用:步骤已知就用普通工作流,只有下一步取决于 agent 发现了什么的时候,才需要 agent 循环。
https://x.com/MaryamMiradi/status/2123875734305345575
@MaryamMiradi 梳理了 LangChain 的 harness 研究:同一个模型不换,编程 agent 在 Terminal-Bench 2.0 上从 52.8% 涨到 66.5%,从三十名开外冲进前五。被单独点名的两招很具体:完工前加一道检查,逼 agent 拿原始任务核对自己的成果;再加循环检测,抓住反复改同一个文件却毫无进展的 agent。帖子把整套东西拆成五层,从 agent 循环、工具工程一路到记忆文件和评测。结尾那条规则很实用:步骤已知就用普通工作流,只有下一步取决于 agent 发现了什么的时候,才需要 agent 循环。
#3
@TechThought_org
https://x.com/TechThought_org/status/2123770900931641605
@TechThought_org 总结了 Google 的 GUARD 论文,研究的是递归 agent harness 里的灾难性遗忘。GUARD 不碰权重,而是冻结基座模型,只允许 agent 有选择地修改自己的工具规则和流程记忆,每次写入都过一道系统性自检。报告的结果是在 SDK 基准上准确率 80.80%,记忆污染完全消除,token 消耗降 54.5%。这是「自我改进的 agent 应该改模型外面那些文件、而且每次写都要设闸」这个思路目前最干净的一个版本。
https://x.com/TechThought_org/status/2123770900931641605
@TechThought_org 总结了 Google 的 GUARD 论文,研究的是递归 agent harness 里的灾难性遗忘。GUARD 不碰权重,而是冻结基座模型,只允许 agent 有选择地修改自己的工具规则和流程记忆,每次写入都过一道系统性自检。报告的结果是在 SDK 基准上准确率 80.80%,记忆污染完全消除,token 消耗降 54.5%。这是「自我改进的 agent 应该改模型外面那些文件、而且每次写都要设闸」这个思路目前最干净的一个版本。
#4
@buckleyplanet
https://x.com/buckleyplanet/status/2123612627783839811
@buckleyplanet 转述了 Anthropic 给企业团队的建议:把路由器、规划器和各种专职子 agent 折回成一个带 skills 的 agent 循环。在 Anthropic 的对比里,单循环往往在质量、成本和延迟上都赢。最扎心的一句是:大多数多 agent 架构图,不过是穿着软件外衣的组织架构图。同一条时间线上满屏都是蜂群示意图,这条正好是解药。
https://x.com/buckleyplanet/status/2123612627783839811
@buckleyplanet 转述了 Anthropic 给企业团队的建议:把路由器、规划器和各种专职子 agent 折回成一个带 skills 的 agent 循环。在 Anthropic 的对比里,单循环往往在质量、成本和延迟上都赢。最扎心的一句是:大多数多 agent 架构图,不过是穿着软件外衣的组织架构图。同一条时间线上满屏都是蜂群示意图,这条正好是解药。
#5
@WrongNebula
https://x.com/WrongNebula/status/2123694634899804196
@WrongNebula 展示了一个 3D 建模的协同进化循环:先做一个低多边形房子,用 Potemkin3D 投射贴图,检测深度和法线,再把这些信息喂回自制的 harness,反复迭代直到细节满意为止。作者管它叫「建模版的 Karpathy autoresearch」。这里的指标是视觉上的,而不是一个数字,恰恰是大家原本以为这套配方搬不过去的领域。
https://x.com/WrongNebula/status/2123694634899804196
@WrongNebula 展示了一个 3D 建模的协同进化循环:先做一个低多边形房子,用 Potemkin3D 投射贴图,检测深度和法线,再把这些信息喂回自制的 harness,反复迭代直到细节满意为止。作者管它叫「建模版的 Karpathy autoresearch」。这里的指标是视觉上的,而不是一个数字,恰恰是大家原本以为这套配方搬不过去的领域。
#6
@nittinpatil
https://x.com/nittinpatil/status/2123687642906919080
@nittinpatil 提到 SimScale 和 Nominal 在 Formnext 2026 前后宣布,把仿真设计和实物测试放进同一个 agent 循环。仿真出方案,FEA 和 CFD 验证,Nominal 的测试数据再喂回下一轮设计。这是 autoresearch 走进硬件工程,循环里最贵的那一步变成了测试台而不是 GPU。
https://x.com/nittinpatil/status/2123687642906919080
@nittinpatil 提到 SimScale 和 Nominal 在 Formnext 2026 前后宣布,把仿真设计和实物测试放进同一个 agent 循环。仿真出方案,FEA 和 CFD 验证,Nominal 的测试数据再喂回下一轮设计。这是 autoresearch 走进硬件工程,循环里最贵的那一步变成了测试台而不是 GPU。
#7
@KrisRifenburg
https://x.com/KrisRifenburg/status/2123844452489838696
@KrisRifenburg 开头就甩数字:据说有个失控的 agent 循环 11 天烧掉一个团队 4.7 万美元,期间监控一直是绿的,第一条告警响起时钱已经没了。帖子推的是 Nerve:给每个 agent 设消费上限,碰到上限就暂停工作、叫人来处理,可以只停一个 agent 也可以停整个车队,每一块钱都能追溯到具体的 agent 和任务。最有用的是那句话:告警告诉你发生了什么,上限决定什么被允许发生。
https://x.com/KrisRifenburg/status/2123844452489838696
@KrisRifenburg 开头就甩数字:据说有个失控的 agent 循环 11 天烧掉一个团队 4.7 万美元,期间监控一直是绿的,第一条告警响起时钱已经没了。帖子推的是 Nerve:给每个 agent 设消费上限,碰到上限就暂停工作、叫人来处理,可以只停一个 agent 也可以停整个车队,每一块钱都能追溯到具体的 agent 和任务。最有用的是那句话:告警告诉你发生了什么,上限决定什么被允许发生。
#8
@jjjhenriksen
https://x.com/jjjhenriksen/status/2123851605409964368
@jjjhenriksen 正在参与 @RohanArun 那套对本周刷屏的、机器验证过的黎曼猜想证明做 auto-research 验证的工作。帖子很短,语气很兴奋,但它标出了 autoresearch 的下一站:从产出结果走到验证结果,而且是好几个人一起协作跑核验循环。同一窗口里有人说这份证明大约 25 万页、大量是 Lean,远超人类能读的范围,所以验证本身也只能是一个循环。
https://x.com/jjjhenriksen/status/2123851605409964368
@jjjhenriksen 正在参与 @RohanArun 那套对本周刷屏的、机器验证过的黎曼猜想证明做 auto-research 验证的工作。帖子很短,语气很兴奋,但它标出了 autoresearch 的下一站:从产出结果走到验证结果,而且是好几个人一起协作跑核验循环。同一窗口里有人说这份证明大约 25 万页、大量是 Lean,远超人类能读的范围,所以验证本身也只能是一个循环。
#9
@bibryam
https://x.com/bibryam/status/2123836751647277401
@bibryam 一句话说清了持久化 agent 的难点:持久 agent 就是一个持久执行引擎或工作流引擎(难的部分)加上 agent 循环(容易的部分)。这跟大多数 agent 框架的宣传正好反过来。循环本身几十行代码,扛住崩溃、恢复状态、不重复执行副作用,才是工程量所在。
https://x.com/bibryam/status/2123836751647277401
@bibryam 一句话说清了持久化 agent 的难点:持久 agent 就是一个持久执行引擎或工作流引擎(难的部分)加上 agent 循环(容易的部分)。这跟大多数 agent 框架的宣传正好反过来。循环本身几十行代码,扛住崩溃、恢复状态、不重复执行副作用,才是工程量所在。
#10
@jose_medina
https://x.com/jose_medina/status/2123855275296006566
@jose_medina 回应了「永远用最聪明的模型」这种说法。这笔账对难活成立,但在 agent 循环里,大多数步骤只是读一个工具结果、挑下一次调用,让前沿模型干这个,等于让爱因斯坦去报销发票。建议是贵模型做规划,循环交给便宜模型跑。这个月各种路由方案里反复出现的就是这种分工,这句话说得最好记。
https://x.com/jose_medina/status/2123855275296006566
@jose_medina 回应了「永远用最聪明的模型」这种说法。这笔账对难活成立,但在 agent 循环里,大多数步骤只是读一个工具结果、挑下一次调用,让前沿模型干这个,等于让爱因斯坦去报销发票。建议是贵模型做规划,循环交给便宜模型跑。这个月各种路由方案里反复出现的就是这种分工,这句话说得最好记。
#11
@livetab_
https://x.com/livetab_/status/2123849005339664863
@livetab_ 给了在 OpenAI 上跑 agent 的具体迁移顺序:Chat Completions 已经是旧路,GPT-6 Astra 和 GPT-6.2 Astra、Sol 虽然还能在上面跑,但工具调用要求走 Responses API。先把 agent 循环单独迁过去,作为一次独立改动,然后再换模型。把两件事拆开,出问题时就知道是循环坏了还是模型的锅。
https://x.com/livetab_/status/2123849005339664863
@livetab_ 给了在 OpenAI 上跑 agent 的具体迁移顺序:Chat Completions 已经是旧路,GPT-6 Astra 和 GPT-6.2 Astra、Sol 虽然还能在上面跑,但工具调用要求走 Responses API。先把 agent 循环单独迁过去,作为一次独立改动,然后再换模型。把两件事拆开,出问题时就知道是循环坏了还是模型的锅。
#12
@AdamGavish
https://x.com/AdamGavish/status/2123733345238393232
@AdamGavish 认为做 AI 编程基础设施,第一个决定不是选模型,而是选架构,并列了三种:一个 agent 掌握全部上下文、包揽所有决定;一组 agent 各有各的持久上下文;或者一个 agent 循环按需拉起子 agent。线程后面把第三种对应到「目标清楚、子任务不清楚、项目一直在变」的场景:主 agent 保留一路学到的经验,子 agent 用完就扔。这和同一天 Anthropic「折回单循环」的建议是对得上的。
https://x.com/AdamGavish/status/2123733345238393232
@AdamGavish 认为做 AI 编程基础设施,第一个决定不是选模型,而是选架构,并列了三种:一个 agent 掌握全部上下文、包揽所有决定;一组 agent 各有各的持久上下文;或者一个 agent 循环按需拉起子 agent。线程后面把第三种对应到「目标清楚、子任务不清楚、项目一直在变」的场景:主 agent 保留一路学到的经验,子 agent 用完就扔。这和同一天 Anthropic「折回单循环」的建议是对得上的。
#13
@pauliusztin_
https://x.com/pauliusztin_/status/2123770840353263842
@pauliusztin_ 仿照 Claude Code、Codex、OpenCode、Aider 的内部机制,用 Python 写了一个叫 Decode 的编程 agent,又把整个过程做成了免费开源课程,8 篇文章加 6 个视频。内容覆盖 ReAct 式 agent 循环、沙箱、记忆与压缩、子 agent、用 cron 和 webhook 在云上跑、评测,以及用来复现失败运行的录制回放。有条回复问到了点子上:循环本身是周末就能写完的部分,真正花时间的是压缩,还是判断 agent 什么时候该停下来问人?
https://x.com/pauliusztin_/status/2123770840353263842
@pauliusztin_ 仿照 Claude Code、Codex、OpenCode、Aider 的内部机制,用 Python 写了一个叫 Decode 的编程 agent,又把整个过程做成了免费开源课程,8 篇文章加 6 个视频。内容覆盖 ReAct 式 agent 循环、沙箱、记忆与压缩、子 agent、用 cron 和 webhook 在云上跑、评测,以及用来复现失败运行的录制回放。有条回复问到了点子上:循环本身是周末就能写完的部分,真正花时间的是压缩,还是判断 agent 什么时候该停下来问人?
#14
@SciFi
https://x.com/SciFi/status/2123595658091229560
@SciFi 转了 Deep Shah 和 Nehal Kathrotia 的 arXiv 论文《Harnesses That Improve Themselves》,提出一个统一框架来描述能自我改进的 agent harness。时机很说明问题:同一窗口里,GUARD、LangChain 的 harness 结果、Anthropic 的单循环建议,都在说改进发生在 harness 里而不是权重里。出了框架论文,说明这件事正在从技巧变成一个领域。
https://x.com/SciFi/status/2123595658091229560
@SciFi 转了 Deep Shah 和 Nehal Kathrotia 的 arXiv 论文《Harnesses That Improve Themselves》,提出一个统一框架来描述能自我改进的 agent harness。时机很说明问题:同一窗口里,GUARD、LangChain 的 harness 结果、Anthropic 的单循环建议,都在说改进发生在 harness 里而不是权重里。出了框架论文,说明这件事正在从技巧变成一个领域。
#15
@arnaudmercier
https://x.com/arnaudmercier/status/2123663954484310245
@arnaudmercier 分享了论文 ResearchFlow-Eval,追踪端到端多论点 autoresearch 里的「执行落差」。它盯的是这样一道缝:agent 能写出一份像样的研究计划,和它真的把计划里每一条论点都执行出来,是两回事。大多数 autoresearch 演示恰恰藏着这个失败模式,围绕它建的基准值得和新出的「每任务成本」指数放在一起看。
https://x.com/arnaudmercier/status/2123663954484310245
@arnaudmercier 分享了论文 ResearchFlow-Eval,追踪端到端多论点 autoresearch 里的「执行落差」。它盯的是这样一道缝:agent 能写出一份像样的研究计划,和它真的把计划里每一条论点都执行出来,是两回事。大多数 autoresearch 演示恰恰藏着这个失败模式,围绕它建的基准值得和新出的「每任务成本」指数放在一起看。
#16
@Pro_Algorithm
https://x.com/Pro_Algorithm/status/2123636689025327512
@Pro_Algorithm 报道说,Perplexity Computer 里负责个性化的 agent「Brain」现在会自动编写能自我改进的 skills。它从过往会话和记忆里学习用户的工作方式,为以后的任务写个性化 skill,并随时间不断重写。这是「把 skill 当记忆」的循环第一次装进面向普通用户的产品,而不是开发者的 harness。帖子抛出的问题是:你愿不愿意让 agent 替你的工作写它自己的操作手册?
https://x.com/Pro_Algorithm/status/2123636689025327512
@Pro_Algorithm 报道说,Perplexity Computer 里负责个性化的 agent「Brain」现在会自动编写能自我改进的 skills。它从过往会话和记忆里学习用户的工作方式,为以后的任务写个性化 skill,并随时间不断重写。这是「把 skill 当记忆」的循环第一次装进面向普通用户的产品,而不是开发者的 harness。帖子抛出的问题是:你愿不愿意让 agent 替你的工作写它自己的操作手册?
#17
@dr_hb_ai
https://x.com/dr_hb_ai/status/2123750306878046618
@dr_hb_ai 点出了生物学里的 autoresearch 切入口:短 RNA。做短 RNA 往往可以跳过养细胞这一步,所以「设计、合成、测试」这个循环比很多蛋白质快得多。循环速度决定一个实验室能迭代多少轮,这让 RNA 成了自主湿实验研究天然的第一站。
https://x.com/dr_hb_ai/status/2123750306878046618
@dr_hb_ai 点出了生物学里的 autoresearch 切入口:短 RNA。做短 RNA 往往可以跳过养细胞这一步,所以「设计、合成、测试」这个循环比很多蛋白质快得多。循环速度决定一个实验室能迭代多少轮,这让 RNA 成了自主湿实验研究天然的第一站。
#18
@yim0e
https://x.com/yim0e/status/2123581856918683765
@yim0e 翻看了 autoresearch 模型在一个看起来是篮球数据分析的任务上的产出,其中一个让人眼前一亮,但作者也坦白,分数虽高,方法论是否站得住还不确定。随口提的那句「其实不需要 RAPM(标准的正负值调整)」,正是循环会冒出来、再要人去核实的那类结论。体育分析成了又一个非编程领域:人开始读机器生成的模型,而不是自己写。
https://x.com/yim0e/status/2123581856918683765
@yim0e 翻看了 autoresearch 模型在一个看起来是篮球数据分析的任务上的产出,其中一个让人眼前一亮,但作者也坦白,分数虽高,方法论是否站得住还不确定。随口提的那句「其实不需要 RAPM(标准的正负值调整)」,正是循环会冒出来、再要人去核实的那类结论。体育分析成了又一个非编程领域:人开始读机器生成的模型,而不是自己写。
#19
@linuxbox
https://x.com/linuxbox/status/2123822671909507411
@linuxbox 把 pi-autoresearch 背后的接力讲清楚了:@davebcn87 做出了它,@tobi 把它变成谁都能跑的东西,底座是 @badlogicgames 的 Pi 编程 agent。这提醒大家,多数人真正在跑的 autoresearch 是分叉的分叉,是打包这一步把它从实验室脚本变成了工具。
https://x.com/linuxbox/status/2123822671909507411
@linuxbox 把 pi-autoresearch 背后的接力讲清楚了:@davebcn87 做出了它,@tobi 把它变成谁都能跑的东西,底座是 @badlogicgames 的 Pi 编程 agent。这提醒大家,多数人真正在跑的 autoresearch 是分叉的分叉,是打包这一步把它从实验室脚本变成了工具。
#20
@yacinelearning
https://x.com/yacinelearning/status/2123822771696275458
@yacinelearning 对眼下的 auto-research 方法下了个判断:本质是极端暴力搜索,把想法一路串下去,串到人类自己早该放弃一千次的地方。这既是长处也是代价。循环不会因为走进死胡同而难为情,所以人停下的地方它还会继续走,但每一步都要用算力付账。
https://x.com/yacinelearning/status/2123822771696275458
@yacinelearning 对眼下的 auto-research 方法下了个判断:本质是极端暴力搜索,把想法一路串下去,串到人类自己早该放弃一千次的地方。这既是长处也是代价。循环不会因为走进死胡同而难为情,所以人停下的地方它还会继续走,但每一步都要用算力付账。
#21
@awelonblue
https://x.com/awelonblue/status/2123850131459994093
@awelonblue 认为,判断 AI 有没有「发明」什么,关键不是能动性而是自主性:如果每一步都是人领着走的,那就不算。作者提的检验办法是给一个 agent 循环 100 万美元预算、一个笼统的目标,以及做实验、迭代、拿反馈的工具。这把「autoresearch 的成果要证明什么才配叫发现」说得很干净。
https://x.com/awelonblue/status/2123850131459994093
@awelonblue 认为,判断 AI 有没有「发明」什么,关键不是能动性而是自主性:如果每一步都是人领着走的,那就不算。作者提的检验办法是给一个 agent 循环 100 万美元预算、一个笼统的目标,以及做实验、迭代、拿反馈的工具。这把「autoresearch 的成果要证明什么才配叫发现」说得很干净。
#22
@merklefruit
https://x.com/merklefruit/status/2123887003439661398
@merklefruit 分享了一个值得照抄的习惯:在每个项目里,刻意把「交付功能」和「提升 agent 循环的速度或质量」分成两类工作。作者把后一类叫 swarm-ops,意思和「让仓库准备好接蜂群」差不多。把循环本身当成一个单独的待办,才能防止大家都在用它交付功能的时候,harness 自己慢慢烂掉。
https://x.com/merklefruit/status/2123887003439661398
@merklefruit 分享了一个值得照抄的习惯:在每个项目里,刻意把「交付功能」和「提升 agent 循环的速度或质量」分成两类工作。作者把后一类叫 swarm-ops,意思和「让仓库准备好接蜂群」差不多。把循环本身当成一个单独的待办,才能防止大家都在用它交付功能的时候,harness 自己慢慢烂掉。
📡 生态产品雷达
生态产品雷达
Karpathy 的 autoresearch:仍是参照配方,这一窗被用在 3D 建模循环、pi-autoresearch 的分叉链上,另有一大批讲座剪辑式推广帖,一条没收。
Claude Code:大多数 harness 科普在讲的那套架构,也是 Decode 参照的 agent 之一。
Codex:每一场 harness 对比的另一方,也是 Decode 参照的对象。
LangChain:Terminal-Bench 从 52.8% 涨到 66.5% 的 harness 结果,被好几条帖子引用。
Hermes Agent:Nous Research 的自我改进 agent,推广帖和一条 Grok 回复都在推,案例里没收。
NanoChat:各种 autoresearch 连载反复拿来调的训练代码库,这类帖子移交给 AI 造 AI。
Karpathy 的 autoresearch:仍是参照配方,这一窗被用在 3D 建模循环、pi-autoresearch 的分叉链上,另有一大批讲座剪辑式推广帖,一条没收。
Claude Code:大多数 harness 科普在讲的那套架构,也是 Decode 参照的 agent 之一。
Codex:每一场 harness 对比的另一方,也是 Decode 参照的对象。
LangChain:Terminal-Bench 从 52.8% 涨到 66.5% 的 harness 结果,被好几条帖子引用。
Hermes Agent:Nous Research 的自我改进 agent,推广帖和一条 Grok 回复都在推,案例里没收。
NanoChat:各种 autoresearch 连载反复拿来调的训练代码库,这类帖子移交给 AI 造 AI。
评论