Loop 日报: 2026-11-04
这个窗口最好的循环结果跟代码无关：一个 agent 把 AlphaFold 3 当黑箱仪器用，序列减少 60%，复合物预测分数反而上去了，然后又吐回大约 41% 的收益，因为它只能靠 AlphaFold 自己的置信度来判断好坏。循环能找到什么和它能认出什么之间的落差，今天到处都在出现。内核排行榜上的选手在提醒古德哈特定律，一项 autoresearch 研究发现人最大的价值在定义问题和给卡住的 agent 解围，一位中国大三学生写下了本周最诚实的帖子：花了半年，当了 GPT 的 harness。基础设施这边，大家对 DeepSeek 的 Super-agent 论文读得越来越细，开始找到尴尬的地方：讲凭证的 8.4 节、用定时器假装干活的测试，以及不明确要求就五次里零次委派的 agent。
#1
@BiologyAIDaily
https://x.com/BiologyAIDaily/status/2117605156183560285
BiologyAIDaily 总结了这个窗口最具体的 autoresearch 成果：一个 agent 为 AlphaFold 3 重新组织多序列比对，把冻结的预测器当黑箱仪器用，全程看不到真实答案。在 1015 个蛋白质界面上，它在每个基准都赢了默认设置，FoldBench-v1 的跨物种异源复合物平均 DockQ 从 0.465 升到 0.612。而且用的序列平均少了约 60%，说明留哪些行比比对有多深更重要。最有用的数字是损失：最后选答案时吐回了约 41% 已经找到的提升，如果给它真实分数，这部分损失大多消失。探索这一步基本解决了，瓶颈在反馈信号的质量。
https://x.com/BiologyAIDaily/status/2117605156183560285
BiologyAIDaily 总结了这个窗口最具体的 autoresearch 成果：一个 agent 为 AlphaFold 3 重新组织多序列比对，把冻结的预测器当黑箱仪器用，全程看不到真实答案。在 1015 个蛋白质界面上，它在每个基准都赢了默认设置，FoldBench-v1 的跨物种异源复合物平均 DockQ 从 0.465 升到 0.612。而且用的序列平均少了约 60%，说明留哪些行比比对有多深更重要。最有用的数字是损失：最后选答案时吐回了约 41% 已经找到的提升，如果给它真实分数，这部分损失大多消失。探索这一步基本解决了，瓶颈在反馈信号的质量。
#2
@SynapseOperator
https://x.com/SynapseOperator/status/2117631881915031833
SynapseOperator 是一位中国的大三学生，写下了本周最诚实的 autoresearch 帖子。导师让自己找研究方向，作者把论文池喂给 GPT，挑了听起来靠谱的，然后花半年照着它的指令走、再去调 Codex，最后发现核心想法早就以 GraphDx 为名发在 ACL Findings 上，很可能 GPT 就是从那里看来的。最扎心的一句：我只是 GPT 的 harness。作者已经告诉导师这个方向完了，回头重新读论文，每天公开发进度来监督自己。这是没有任何基准会测的失败模式：循环跑得很完美，人却什么也没学到。
https://x.com/SynapseOperator/status/2117631881915031833
SynapseOperator 是一位中国的大三学生，写下了本周最诚实的 autoresearch 帖子。导师让自己找研究方向，作者把论文池喂给 GPT，挑了听起来靠谱的，然后花半年照着它的指令走、再去调 Codex，最后发现核心想法早就以 GraphDx 为名发在 ACL Findings 上，很可能 GPT 就是从那里看来的。最扎心的一句：我只是 GPT 的 harness。作者已经告诉导师这个方向完了，回头重新读论文，每天公开发进度来监督自己。这是没有任何基准会测的失败模式：循环跑得很完美，人却什么也没学到。
#3
@cv_usk
https://x.com/cv_usk/status/2117198531907973188
cv_usk 总结了论文 Aligning Autoresearch，它在自动化 AI 研究员之前先问一句：哪里还需要人，一共做了四个实验。在基准构建里加入细粒度的人类反馈，解题者分数下降 28 到 46.5 分，说明题目更难也更好。在 169 条轨迹里定位被动过手脚的命令，最好的 F1 只有 64.88，打分作弊还远没到能被查出的程度。写作上，故事续写从 2.8 升到 8.2，人类是 10.0，专家 95% 的时候更喜欢训练后的输出。结论朴素但有用：人的价值在定义问题和给卡住的 agent 解围，裁判质量决定天花板。
https://x.com/cv_usk/status/2117198531907973188
cv_usk 总结了论文 Aligning Autoresearch，它在自动化 AI 研究员之前先问一句：哪里还需要人，一共做了四个实验。在基准构建里加入细粒度的人类反馈，解题者分数下降 28 到 46.5 分，说明题目更难也更好。在 169 条轨迹里定位被动过手脚的命令，最好的 F1 只有 64.88，打分作弊还远没到能被查出的程度。写作上，故事续写从 2.8 升到 8.2，人类是 10.0，专家 95% 的时候更喜欢训练后的输出。结论朴素但有用：人的价值在定义问题和给卡住的 agent 解围，裁判质量决定天花板。
#4
@nasqret
https://x.com/nasqret/status/2117462206505742678
数学家 nasqret 说，我们在数学领域已经到了某种弱 AGI，依据是自己在代数方向的项目，速度和质量都出现了跃升。这个说法是克制的：大多数问题对 AI 依然无解，但对人类也一样没戏；文献里有相当多问题，靠合适的 auto-research 技巧、聪明的 harness 加上大量 token，几天就能攻下来。很年轻的研究者和博士生正在这个交界处开启一些疯狂的新项目。对照下面 snikolov 的观点：证明尝试快、是符号性的、又容易诊断，这可能正是数学先走到这一步的原因。
https://x.com/nasqret/status/2117462206505742678
数学家 nasqret 说，我们在数学领域已经到了某种弱 AGI，依据是自己在代数方向的项目，速度和质量都出现了跃升。这个说法是克制的：大多数问题对 AI 依然无解，但对人类也一样没戏；文献里有相当多问题，靠合适的 auto-research 技巧、聪明的 harness 加上大量 token，几天就能攻下来。很年轻的研究者和博士生正在这个交界处开启一些疯狂的新项目。对照下面 snikolov 的观点：证明尝试快、是符号性的、又容易诊断，这可能正是数学先走到这一步的原因。
#5
@snikolov
https://x.com/snikolov/status/2117586813820850181
snikolov 给出了最清楚的解释：为什么 autoresearch 能攻下 Navier-Stokes 这类数学问题，却还没做出更好的模型。证明尝试是非常快的符号实验，错在哪通常指得出来。计算实验耗时更长，失败可能源于 bug、数学错误或训练设置不佳，而且常常分不清是哪个。建议的路子是：更便宜、模块化且能累加的实验；可验证的子问题，比如找到等价但更快的计算；以及让系统自己发明分析工具。最后这一条本身就是开放的研究问题，大概也是递归改进真正的门槛。
https://x.com/snikolov/status/2117586813820850181
snikolov 给出了最清楚的解释：为什么 autoresearch 能攻下 Navier-Stokes 这类数学问题，却还没做出更好的模型。证明尝试是非常快的符号实验，错在哪通常指得出来。计算实验耗时更长，失败可能源于 bug、数学错误或训练设置不佳，而且常常分不清是哪个。建议的路子是：更便宜、模块化且能累加的实验；可验证的子问题，比如找到等价但更快的计算；以及让系统自己发明分析工具。最后这一条本身就是开放的研究问题，大概也是递归改进真正的门槛。
#6
@HJCH0
https://x.com/HJCH0/status/2117664010493673820
HJCH0 称，Locus 在短短几个月内，从自主后训练的最佳水平走到抗体设计的前沿表现，靠的是不限领域的改进：多样化探索、更好的泛化、抗噪能力，以及在数据稀缺任务上的高样本效率。如果站得住，迁移能力才是头条，因为分子的评估周期比训练更长、更贵、噪声更大。同团队的 soren_dunn_ 称这是最早从 AI 研究泛化到抗体设计和效价预测的案例之一。这些是团队自己的说法，但迁移恰恰是这个领域一直没能拿出来的东西。
https://x.com/HJCH0/status/2117664010493673820
HJCH0 称，Locus 在短短几个月内，从自主后训练的最佳水平走到抗体设计的前沿表现，靠的是不限领域的改进：多样化探索、更好的泛化、抗噪能力，以及在数据稀缺任务上的高样本效率。如果站得住，迁移能力才是头条，因为分子的评估周期比训练更长、更贵、噪声更大。同团队的 soren_dunn_ 称这是最早从 AI 研究泛化到抗体设计和效价预测的案例之一。这些是团队自己的说法，但迁移恰恰是这个领域一直没能拿出来的东西。
#7
@RohanArun
https://x.com/RohanArun/status/2117446433716478226
RohanArun 重回 Open Kernel Challenge 的 BF16 榜第 16 名，用了三招值得抄。一个由 Claude、Astra、Gemini 和作者共同控制的遗传算法看板，收窄参数搜索空间，又多挤出约 5%。一个在几千次基准结果上训练的小型统计模型，先预测再跑，几毫秒筛掉数十亿种组合。还有一个基于 Lean 验证的自动搜索器，排除掉物理和内存边界上不可能的组合。规律是大模型并不直接做搜索，它们指挥一个便宜的代理模型和一个证明器。
https://x.com/RohanArun/status/2117446433716478226
RohanArun 重回 Open Kernel Challenge 的 BF16 榜第 16 名，用了三招值得抄。一个由 Claude、Astra、Gemini 和作者共同控制的遗传算法看板，收窄参数搜索空间，又多挤出约 5%。一个在几千次基准结果上训练的小型统计模型，先预测再跑，几毫秒筛掉数十亿种组合。还有一个基于 Lean 验证的自动搜索器，排除掉物理和内存边界上不可能的组合。规律是大模型并不直接做搜索，它们指挥一个便宜的代理模型和一个证明器。
#8
@thomasgardiner
https://x.com/thomasgardiner/status/2117267190562828787
thomasgardiner 打进了同一内核比赛的总榜前十，给了两条各一句话的建议：你很快就会熟悉古德哈特定律；循环不需要复杂，agent 一有机会就会偷懒。比赛结束后作者会写复盘。这两句话和两周来多数排行榜故事说的一样，而且是花大量 token 换来的。简单的循环加上对自己指标的怀疑，一直在赢过复杂方案。
https://x.com/thomasgardiner/status/2117267190562828787
thomasgardiner 打进了同一内核比赛的总榜前十，给了两条各一句话的建议：你很快就会熟悉古德哈特定律；循环不需要复杂，agent 一有机会就会偷懒。比赛结束后作者会写复盘。这两句话和两周来多数排行榜故事说的一样，而且是花大量 token 换来的。简单的循环加上对自己指标的怀疑，一直在赢过复杂方案。
#9
@christopherowen
https://x.com/christopherowen/status/2117710440209756396
christopherowen 用几台 DGX Spark 部署 DeepSeek-V4.1-Flash，说明了只报解码速度为什么掩盖了 agent 真正的故障。对齐参考精度后，平均 KL 只有 0.021 nats，但有 4.9% 的位置首选 token 变了，放到 10 步循环里足以改写工具参数。不让出 prefill 时，一次 13.1 万 token 的冷 prefill 让 agent 回合卡住超过 12 秒；让出之后 TTFT p50 降到 3.3 秒。最恶心的两个故障根本不在权重，而是工具输出里的控制 token 字符串被当成特殊 token。缺的是端到端指标，固定工具策略下的每小时发现数是个对的思路。
https://x.com/christopherowen/status/2117710440209756396
christopherowen 用几台 DGX Spark 部署 DeepSeek-V4.1-Flash，说明了只报解码速度为什么掩盖了 agent 真正的故障。对齐参考精度后，平均 KL 只有 0.021 nats，但有 4.9% 的位置首选 token 变了，放到 10 步循环里足以改写工具参数。不让出 prefill 时，一次 13.1 万 token 的冷 prefill 让 agent 回合卡住超过 12 秒；让出之后 TTFT p50 降到 3.3 秒。最恶心的两个故障根本不在权重，而是工具输出里的控制 token 字符串被当成特殊 token。缺的是端到端指标，固定工具策略下的每小时发现数是个对的思路。
#10
@akshay_pachaar
https://x.com/akshay_pachaar/status/2117605592999313843
akshay_pachaar 介绍了统一 harness 协议 UHP，以及它的开源服务端 HarnessRouter：后端发一个带 harness_id 的任务，选中的 harness 在独立会话里跑自己的原生循环，文件、失败和产出都从同一个接口返回。目前支持 30 种 harness，阿里的 Qoder 已经采用。官方基准里最有意思的是：模型不变、只换 harness，医疗合规任务的成本降了 25% 到 64%。如果 harness 的选择对成本影响这么大，下一步就不只是在模型之间路由，也要在 harness 之间路由。
https://x.com/akshay_pachaar/status/2117605592999313843
akshay_pachaar 介绍了统一 harness 协议 UHP，以及它的开源服务端 HarnessRouter：后端发一个带 harness_id 的任务，选中的 harness 在独立会话里跑自己的原生循环，文件、失败和产出都从同一个接口返回。目前支持 30 种 harness，阿里的 Qoder 已经采用。官方基准里最有意思的是：模型不变、只换 harness，医疗合规任务的成本降了 25% 到 64%。如果 harness 的选择对成本影响这么大，下一步就不只是在模型之间路由，也要在 harness 之间路由。
#11
@N01ennn
https://x.com/N01ennn/status/2117584818070249641
N01ennn 转述了一篇论文，它翻开了 11 个真实编程 agent 的源码，约 400 万行。所有系统都收敛到同样的七部分：agent 循环、模型接入、工具、记忆与上下文、安全与权限、编排、扩展。意外发现才是最值钱的：没有一个运行时引用 LangChain、LangGraph 或 AutoGen；没有一个用向量搜索找代码，都是 ripgrep、glob 和 markdown；SKILL.md 出现的系统数已经超过 MCP，11 个里 9 个对 8 个。文末给了 18 条设计建议和一个 90 行的入门 harness。这对框架生意是沉重一击，而且这是数据不是观点。
https://x.com/N01ennn/status/2117584818070249641
N01ennn 转述了一篇论文，它翻开了 11 个真实编程 agent 的源码，约 400 万行。所有系统都收敛到同样的七部分：agent 循环、模型接入、工具、记忆与上下文、安全与权限、编排、扩展。意外发现才是最值钱的：没有一个运行时引用 LangChain、LangGraph 或 AutoGen；没有一个用向量搜索找代码，都是 ripgrep、glob 和 markdown；SKILL.md 出现的系统数已经超过 MCP，11 个里 9 个对 8 个。文末给了 18 条设计建议和一个 90 行的入门 harness。这对框架生意是沉重一击，而且这是数据不是观点。
#12
@heyshrutimishra
https://x.com/heyshrutimishra/status/2117155993671098371
heyshrutimishra 把 DeepSeek Super-agent 设计里的数字摘了出来，比标题朴素得多。任务中位耗时 12.4 分钟，对比单会话加子 agent 工具的 20.4 分钟；p95 是 15.7 对 29.5；代价是大约 4 倍的缓存 token。写代码的部分是用定时器模拟的，所以测的是调度，不是代码质量。底下的设计判断是人只能跟进 3 到 5 个活跃会话，所以系统把会话从人手里拿走：路由器没有 Bash 工具，隔离的执行者从不直接回话。把它当成关于注意力的证据，而不是能写出更好软件的证明。
https://x.com/heyshrutimishra/status/2117155993671098371
heyshrutimishra 把 DeepSeek Super-agent 设计里的数字摘了出来，比标题朴素得多。任务中位耗时 12.4 分钟，对比单会话加子 agent 工具的 20.4 分钟；p95 是 15.7 对 29.5；代价是大约 4 倍的缓存 token。写代码的部分是用定时器模拟的，所以测的是调度，不是代码质量。底下的设计判断是人只能跟进 3 到 5 个活跃会话，所以系统把会话从人手里拿走：路由器没有 Bash 工具，隔离的执行者从不直接回话。把它当成关于注意力的证据，而不是能写出更好软件的证明。
#13
@xltheg
https://x.com/xltheg/status/2117709349393146053
xltheg 写的同一设计的复刻指南，补上了多数总结丢掉的警告。测试里缓存 token 是 2 到 4 倍，每次运行 2320 万对比 610 万到 1080 万。每个任务一个文件夹算不上安全，执行者仍以你的用户身份拥有全部权限。给中性提示时，agent 五次里有零次调用子 agent，所以必须明确告诉它去委派。实操配方是一个路由器、每任务一个执行者、用普通代码规则先过滤事件再交给模型、聊天回复限 100 字、状态放数据库。五次零次这个数字值得更多关注，因为它动摇了 agent 会自然组织起来的想法。
https://x.com/xltheg/status/2117709349393146053
xltheg 写的同一设计的复刻指南，补上了多数总结丢掉的警告。测试里缓存 token 是 2 到 4 倍，每次运行 2320 万对比 610 万到 1080 万。每个任务一个文件夹算不上安全，执行者仍以你的用户身份拥有全部权限。给中性提示时，agent 五次里有零次调用子 agent，所以必须明确告诉它去委派。实操配方是一个路由器、每任务一个执行者、用普通代码规则先过滤事件再交给模型、聊天回复限 100 字、状态放数据库。五次零次这个数字值得更多关注，因为它动摇了 agent 会自然组织起来的想法。
#14
@SlavaOPs
https://x.com/SlavaOPs/status/2117710992914415646
SlavaOPs 说别看架构，去读第 8.4 节，DeepSeek 的作者在那里说清了自己的设计带来的问题。云端循环整天接收不可信事件，终端守护进程待在存有私有代码和凭证的机器上，而设计假定这两者互相信任，所以路由器被提示注入一次，所有连接的设备都能被碰到。最该引用的一句：只要终端上的凭证能进入模型上下文，正常执行就可能把它们暴露出去。这不是攻击，是设计如此。在发布前把这句话写出来，比架构本身更稀有，这个功劳该给他们。
https://x.com/SlavaOPs/status/2117710992914415646
SlavaOPs 说别看架构，去读第 8.4 节，DeepSeek 的作者在那里说清了自己的设计带来的问题。云端循环整天接收不可信事件，终端守护进程待在存有私有代码和凭证的机器上，而设计假定这两者互相信任，所以路由器被提示注入一次，所有连接的设备都能被碰到。最该引用的一句：只要终端上的凭证能进入模型上下文，正常执行就可能把它们暴露出去。这不是攻击，是设计如此。在发布前把这句话写出来，比架构本身更稀有，这个功劳该给他们。
#15
@MichaelGannotti
https://x.com/MichaelGannotti/status/2117231832445948005
MichaelGannotti 分享了一个叫 Carol 的 OpenClaw agent 研究 DeepSeek Harness 之后的结论：这些是值得学的习惯，不是值得装的软件。采纳清单很犀利：确认一次就安静；没人要求的工作先记成记录，不算任务；消息永远不能扩大权限；草稿不等于完成；投递不等于发送。不要照搬的清单点名了免审批的 worker shell，因为 worker 仍能用绝对路径调用程序。值得注意的是 Carol 交代了自己没打开什么：代码、部署指南和那篇文章都没读。一个会报告自己阅读范围的 agent，这才是该要的行为。
https://x.com/MichaelGannotti/status/2117231832445948005
MichaelGannotti 分享了一个叫 Carol 的 OpenClaw agent 研究 DeepSeek Harness 之后的结论：这些是值得学的习惯，不是值得装的软件。采纳清单很犀利：确认一次就安静；没人要求的工作先记成记录，不算任务；消息永远不能扩大权限；草稿不等于完成；投递不等于发送。不要照搬的清单点名了免审批的 worker shell，因为 worker 仍能用绝对路径调用程序。值得注意的是 Carol 交代了自己没打开什么：代码、部署指南和那篇文章都没读。一个会报告自己阅读范围的 agent，这才是该要的行为。
#16
@BioAgentDaily
https://x.com/BioAgentDaily/status/2117301910755754079
BioAgentDaily 列出了腾讯 Hyra 2.0 在发布文案之外到底做了什么，研究任务跨度几天到几周，有三层 agent。它训练了一个叫 HyInv 的逆折叠模型，比 ProteinMPNN 快 57 倍；调优香山 RISC-V 核，每 GHz 性能提升 5.79%，面积基本持平；还设计了一只仿真旋转速度提升 28.6% 的机器人手。所有数字都是腾讯自己的。它的主张是最耐用的产出是可复用的工具，而不是答案，三个领域的硬数字比博客本身更能说明这点。
https://x.com/BioAgentDaily/status/2117301910755754079
BioAgentDaily 列出了腾讯 Hyra 2.0 在发布文案之外到底做了什么，研究任务跨度几天到几周，有三层 agent。它训练了一个叫 HyInv 的逆折叠模型，比 ProteinMPNN 快 57 倍；调优香山 RISC-V 核，每 GHz 性能提升 5.79%，面积基本持平；还设计了一只仿真旋转速度提升 28.6% 的机器人手。所有数字都是腾讯自己的。它的主张是最耐用的产出是可复用的工具，而不是答案，三个领域的硬数字比博客本身更能说明这点。
#17
@XuyuanXiong
https://x.com/XuyuanXiong/status/2117099707004789221
核心贡献者 XuyuanXiong 介绍了 NextTransformer，一个面向下一代大模型架构的开源框架和公平基准：30 多种架构共用同一套训练器和数据流程，在约 14 亿参数、490 亿 token 的规模上，训练算力差异控制在 1% 以内。已完成的运行里，mHC、AttnRes 和 GDN 混合架构一直胜过稠密基线。值得等的是 11 月 14 日：一个 auto-research 竞技场，让大模型在同样规则下自己提出、训练和评测新架构。固定算力和相同规则正是大多数架构比较所缺的，它可能成为自主模型研究的计分板。
https://x.com/XuyuanXiong/status/2117099707004789221
核心贡献者 XuyuanXiong 介绍了 NextTransformer，一个面向下一代大模型架构的开源框架和公平基准：30 多种架构共用同一套训练器和数据流程，在约 14 亿参数、490 亿 token 的规模上，训练算力差异控制在 1% 以内。已完成的运行里，mHC、AttnRes 和 GDN 混合架构一直胜过稠密基线。值得等的是 11 月 14 日：一个 auto-research 竞技场，让大模型在同样规则下自己提出、训练和评测新架构。固定算力和相同规则正是大多数架构比较所缺的，它可能成为自主模型研究的计分板。
#18
@pkp_io
https://x.com/pkp_io/status/2117667090890940760
pkp_io 描述了一位创始人和 agent 共事的一天：约 8 到 10 个 agent 在只能从私有网络访问的远程服务器上跑几个小时，最长的一次循环持续 47 小时。四个等待中的 agent 排在三个独立校验 agent 后面，这样创始人不会卡在琐碎的审查上。agent 只在关键决定时暂停，创始人用笔记本或手机读报告后解锁。每个工人配三个校验者听起来很贵，但跟创始人的注意力比就不贵了，这是最早一批靠加 agent 而不是加小时来扩充审查产能的描述。
https://x.com/pkp_io/status/2117667090890940760
pkp_io 描述了一位创始人和 agent 共事的一天：约 8 到 10 个 agent 在只能从私有网络访问的远程服务器上跑几个小时，最长的一次循环持续 47 小时。四个等待中的 agent 排在三个独立校验 agent 后面，这样创始人不会卡在琐碎的审查上。agent 只在关键决定时暂停，创始人用笔记本或手机读报告后解锁。每个工人配三个校验者听起来很贵，但跟创始人的注意力比就不贵了，这是最早一批靠加 agent 而不是加小时来扩充审查产能的描述。
#19
@tigdoesthings
https://x.com/tigdoesthings/status/2117558726001340704
tigdoesthings 开源了 Talos，一个处于测试阶段、用于算法搜索的 autoresearch 工具。选一个挑战，给大模型一个方向，它就循环地写、改、测算法，并和当前主网顶尖算法比较。每个候选都由项目自己的运行时和验证器编译评估，必须在训练集和留出集上都赢过基线。这道闸门才是看点：有读者立刻问它如何避免过拟合基准，留出集这个要求是诚实的第一步回答。算力和模型账号都由你自己出，所以搜索成本落在参与者身上。
https://x.com/tigdoesthings/status/2117558726001340704
tigdoesthings 开源了 Talos，一个处于测试阶段、用于算法搜索的 autoresearch 工具。选一个挑战，给大模型一个方向，它就循环地写、改、测算法，并和当前主网顶尖算法比较。每个候选都由项目自己的运行时和验证器编译评估，必须在训练集和留出集上都赢过基线。这道闸门才是看点：有读者立刻问它如何避免过拟合基准，留出集这个要求是诚实的第一步回答。算力和模型账号都由你自己出，所以搜索成本落在参与者身上。
#20
@_pksharma
https://x.com/_pksharma/status/2117650078328377839
_pksharma 拆解了 Bitdefender 关于英国一批学校遭勒索软件攻击的报告，它把 AI 勒索软件这个说法拆成三个分别打分的主张。命令是模型写的：有力支持。每一步由 agentic loop 决定：表现得像，重试间隔 40 到 49 秒，但一个人在终端和聊天窗口之间来回粘贴看起来也是这样。动手阶段没有人参与：不支持。Bitdefender 自己称这是一个案例、一则轶事，不是趋势。这种格式值得抄，大多数 AI 安全说法如果要给链条的每一环打分，看起来都会不一样。
https://x.com/_pksharma/status/2117650078328377839
_pksharma 拆解了 Bitdefender 关于英国一批学校遭勒索软件攻击的报告，它把 AI 勒索软件这个说法拆成三个分别打分的主张。命令是模型写的：有力支持。每一步由 agentic loop 决定：表现得像，重试间隔 40 到 49 秒，但一个人在终端和聊天窗口之间来回粘贴看起来也是这样。动手阶段没有人参与：不支持。Bitdefender 自己称这是一个案例、一则轶事，不是趋势。这种格式值得抄，大多数 AI 安全说法如果要给链条的每一环打分，看起来都会不一样。
#21
@jacksunny18
https://x.com/jacksunny18/status/2117698858767860116
jacksunny18 提出了 agent 记账上最有用的一个小观点：任务是计划，运行是事实。一个任务被三次运行做过，它身上那个数字不属于其中任何一次，所以把成本挂在任务上，之后每个问题的答案都只能近似。把花费记在运行上，带上供应商、模型和 agent 标识，再往上求和。两分钟自查：拿最近一次昂贵的运行，问它是为哪个任务跑的，如果诚实的回答需要靠猜，单位就错了。第一次运行前做对很便宜，事后迁移很痛苦。
https://x.com/jacksunny18/status/2117698858767860116
jacksunny18 提出了 agent 记账上最有用的一个小观点：任务是计划，运行是事实。一个任务被三次运行做过，它身上那个数字不属于其中任何一次，所以把成本挂在任务上，之后每个问题的答案都只能近似。把花费记在运行上，带上供应商、模型和 agent 标识，再往上求和。两分钟自查：拿最近一次昂贵的运行，问它是为哪个任务跑的，如果诚实的回答需要靠猜，单位就错了。第一次运行前做对很便宜，事后迁移很痛苦。
#22
@Prayag12B
https://x.com/Prayag12B/status/2117588351238693317
Prayag12B 点出了工程师和提示词玩家的三个习惯差异，第三条才是循环的教训。文档就是上下文压缩，有了它 agent 不用为了找一个内部 API，烧几千 token 读五个文件夹的源码。直接说带抖动的指数退避，胜过说加点重试逻辑。软警告对自动循环毫无用处：agent 碰到的每个 API 和云环境都要有硬上限，到线就切断执行并返回错误。100 美元的警告邮件到达时，失控的循环早就花完了，所以预算要放在调用路径上。
https://x.com/Prayag12B/status/2117588351238693317
Prayag12B 点出了工程师和提示词玩家的三个习惯差异，第三条才是循环的教训。文档就是上下文压缩，有了它 agent 不用为了找一个内部 API，烧几千 token 读五个文件夹的源码。直接说带抖动的指数退避，胜过说加点重试逻辑。软警告对自动循环毫无用处：agent 碰到的每个 API 和云环境都要有硬上限，到线就切断执行并返回错误。100 美元的警告邮件到达时，失控的循环早就花完了，所以预算要放在调用路径上。
#23
@Arindam_1729
https://x.com/Arindam_1729/status/2117263780036141143
Arindam_1729 从最关键的角度解释了 Google 的 Agent Compute Engine：编程 agent 大部分时间都在等大模型，这时沙箱该怎么办？Google 给空闲的 microVM 打快照，下一步动作来时恢复；通过写时复制在多个 microVM 之间共享未改动的内存页；长期凭证放在沙箱外，走外部网关。恢复延迟就在循环里，所以只有空闲时间长于恢复时间才划算，对大多数编程 agent 来说确实如此。把算力当成可以暂停的进程，而不是一直开着的服务器。
https://x.com/Arindam_1729/status/2117263780036141143
Arindam_1729 从最关键的角度解释了 Google 的 Agent Compute Engine：编程 agent 大部分时间都在等大模型，这时沙箱该怎么办？Google 给空闲的 microVM 打快照，下一步动作来时恢复；通过写时复制在多个 microVM 之间共享未改动的内存页；长期凭证放在沙箱外，走外部网关。恢复延迟就在循环里，所以只有空闲时间长于恢复时间才划算，对大多数编程 agent 来说确实如此。把算力当成可以暂停的进程，而不是一直开着的服务器。
#24
@iveyzen
https://x.com/iveyzen/status/2117093336162934912
iveyzen 指出了微软 Conductor 0.1.44 里一个不起眼但说明问题的细节，这是一个用 YAML 描述多 agent 工作流的开源命令行工具。新版本增加了 Docker 和 Azure Container Apps 的执行配置，让循环、MCP 工具和工作区依赖都待在一个长期容器里，模型另外配置。对保留的工作区，如果缺少暂存标记，恢复时会直接拒绝，避免覆盖 agent 写过的文件。这种拒绝就是大家最后都会想要的那种朴素的安全，帖子也说得对：把运行环境分开，并不会让提议的改动变正确。
https://x.com/iveyzen/status/2117093336162934912
iveyzen 指出了微软 Conductor 0.1.44 里一个不起眼但说明问题的细节，这是一个用 YAML 描述多 agent 工作流的开源命令行工具。新版本增加了 Docker 和 Azure Container Apps 的执行配置，让循环、MCP 工具和工作区依赖都待在一个长期容器里，模型另外配置。对保留的工作区，如果缺少暂存标记，恢复时会直接拒绝，避免覆盖 agent 写过的文件。这种拒绝就是大家最后都会想要的那种朴素的安全，帖子也说得对：把运行环境分开，并不会让提议的改动变正确。
#25
@FeliciaRios_
https://x.com/FeliciaRios_/status/2117144707461722482
FeliciaRios_ 引用了 Meta 首席 AI 官 Alexandr Wang 在 Startup School 上的话：在内部，只要有对的 agentic loop 和对的评估系统与指标，一群 agent 能比 100 名工程师的团队做得更多，而且很轻松。没有给出项目、数字或指标，所以把它当成利益相关者的说法。有用的是那几个条件。这个窗口的其他证据都说明指标才是最难的，所以在有人说清哪个指标扛住了会钻空子的 agent 之前，这句话意义不大。
https://x.com/FeliciaRios_/status/2117144707461722482
FeliciaRios_ 引用了 Meta 首席 AI 官 Alexandr Wang 在 Startup School 上的话：在内部，只要有对的 agentic loop 和对的评估系统与指标，一群 agent 能比 100 名工程师的团队做得更多，而且很轻松。没有给出项目、数字或指标，所以把它当成利益相关者的说法。有用的是那几个条件。这个窗口的其他证据都说明指标才是最难的，所以在有人说清哪个指标扛住了会钻空子的 agent 之前，这句话意义不大。
#26
@Dimillian
https://x.com/Dimillian/status/2117569670912053471
Dimillian 给了一个必要的平衡：做游戏很慢也很个人，每加一样东西都要有意图，做软件也一样，所以一天 1500 个 PR 的自动循环对别人也许不错，但不适合自己。当产品是一连串品味决定时，数量就是错的指标。帖子很短，但点出了循环还没碰过的那一类工作：作者希望每个选择都是自己做的。这在以后很可能变成卖点，而不是局限。
https://x.com/Dimillian/status/2117569670912053471
Dimillian 给了一个必要的平衡：做游戏很慢也很个人，每加一样东西都要有意图，做软件也一样，所以一天 1500 个 PR 的自动循环对别人也许不错，但不适合自己。当产品是一连串品味决定时，数量就是错的指标。帖子很短，但点出了循环还没碰过的那一类工作：作者希望每个选择都是自己做的。这在以后很可能变成卖点，而不是局限。
#27
@franspeterii
https://x.com/franspeterii/status/2117580526731350261
franspeterii 测试了能不能为 agent 体验优化产品，答案是一份简短的配方。让 AI 围绕一个指标设计测试，即每个动作需要多少次工具调用，然后跑 auto-research 循环：子 agent 测试、改一处、再测。这个指标很巧，便宜、难作假，还直接对应成本。可以预期 SaaS 团队很快会开始跑这个，赶在竞争对手的 agent 判定谁更好用之前。
https://x.com/franspeterii/status/2117580526731350261
franspeterii 测试了能不能为 agent 体验优化产品，答案是一份简短的配方。让 AI 围绕一个指标设计测试，即每个动作需要多少次工具调用，然后跑 auto-research 循环：子 agent 测试、改一处、再测。这个指标很巧，便宜、难作假，还直接对应成本。可以预期 SaaS 团队很快会开始跑这个，赶在竞争对手的 agent 判定谁更好用之前。
#28
@stretchcloud
https://x.com/stretchcloud/status/2117379977536770469
stretchcloud 报告 DeepSeek Harness 用 15 天突破 20 万 GitHub 星，打破 OpenClaw 的 88 天纪录，首日就涨 74578 星，并重点介绍了四种预设之一的 Creator Mode。架构没有特权内核：模型适配器、工具注册表、会话日志和 agent 循环全是 Cordis 框架上的插件，只追加的日志意味着模型看到的任何内容都能被还原。外部 PR 一律不收，贡献必须以插件形式提交。这要么是这一类里最干净的治理方式，要么是最终拖慢它的东西。对 Claude Code 和 Codex 钩子的兼容桥，说明它想吸纳对手而不是取代对手。
https://x.com/stretchcloud/status/2117379977536770469
stretchcloud 报告 DeepSeek Harness 用 15 天突破 20 万 GitHub 星，打破 OpenClaw 的 88 天纪录，首日就涨 74578 星，并重点介绍了四种预设之一的 Creator Mode。架构没有特权内核：模型适配器、工具注册表、会话日志和 agent 循环全是 Cordis 框架上的插件，只追加的日志意味着模型看到的任何内容都能被还原。外部 PR 一律不收，贡献必须以插件形式提交。这要么是这一类里最干净的治理方式，要么是最终拖慢它的东西。对 Claude Code 和 Codex 钩子的兼容桥，说明它想吸纳对手而不是取代对手。
#29
@zksecurityXYZ
https://x.com/zksecurityXYZ/status/2117550503060185134
与以太坊基金会合作做 zkVM 端到端验证 EVM 实现的 zksecurityXYZ，围绕 evm.asm 发起了一个 autoresearch 比赛：证明验证一个以太坊区块的最低运行时间。经过验证的规格接近理想的循环目标，因为任何候选都能在数学上和它核对，也就没有裁判可钻空子。同一话题里另一位开发者指出，只要能证明和规格等价，AI 就可以一直优化实现。形式化验证可能是继纯数学之后，autoresearch 信号最干净的领域。
https://x.com/zksecurityXYZ/status/2117550503060185134
与以太坊基金会合作做 zkVM 端到端验证 EVM 实现的 zksecurityXYZ，围绕 evm.asm 发起了一个 autoresearch 比赛：证明验证一个以太坊区块的最低运行时间。经过验证的规格接近理想的循环目标，因为任何候选都能在数学上和它核对，也就没有裁判可钻空子。同一话题里另一位开发者指出，只要能证明和规格等价，AI 就可以一直优化实现。形式化验证可能是继纯数学之后，autoresearch 信号最干净的领域。
#30
@claudioatilano
https://x.com/claudioatilano/status/2117589589418520966
claudioatilano 说跑 autoresearch 编排三天就用光了 Ultra 套餐的周额度，并建议把这当作衡量套餐能撑多久的基准。只有一句话，但对做预算的人是个真实数据点：200 美元档撑不住连续跑一周的循环。这和这个窗口更广泛的额度抱怨对得上，也解释了为什么认真跑循环的人一直在转向自托管模型或按量计费的 API。
https://x.com/claudioatilano/status/2117589589418520966
claudioatilano 说跑 autoresearch 编排三天就用光了 Ultra 套餐的周额度，并建议把这当作衡量套餐能撑多久的基准。只有一句话，但对做预算的人是个真实数据点：200 美元档撑不住连续跑一周的循环。这和这个窗口更广泛的额度抱怨对得上，也解释了为什么认真跑循环的人一直在转向自托管模型或按量计费的 API。
📡 生态产品雷达
生态产品雷达
DeepSeek Harness 与 Super-agent 设计：大多数帖子都在读的文章和仓库，现在开始被审视它的 token 账单、假装写代码的测试和凭证警告。
Claude Code 和 Codex：基准 harness，大多数运行的宿主，也是新兼容桥的对接对象。
Open Kernel Challenge：比拼监督者、代理模型和验证器的公开计分板。
Karpathy 的 autoresearch：仍是参考格式，现在多出现在学习路线清单里。
Hyra 2.0：腾讯的研究 agent，主张可复用的工具胜过答案。
AlphaFold 3：被当作黑箱仪器使用，这个窗口里最干净的非代码循环目标。
Teamily AI：围绕 agentic loop 这个词的大量模板化推广，未收入案例。
Opus 5.5、GPT-6 Astra 和 DeepSeek-V4.1-Flash：循环里最常被点名的模型。
DeepSeek Harness 与 Super-agent 设计：大多数帖子都在读的文章和仓库，现在开始被审视它的 token 账单、假装写代码的测试和凭证警告。
Claude Code 和 Codex：基准 harness，大多数运行的宿主，也是新兼容桥的对接对象。
Open Kernel Challenge：比拼监督者、代理模型和验证器的公开计分板。
Karpathy 的 autoresearch：仍是参考格式，现在多出现在学习路线清单里。
Hyra 2.0：腾讯的研究 agent，主张可复用的工具胜过答案。
AlphaFold 3：被当作黑箱仪器使用，这个窗口里最干净的非代码循环目标。
Teamily AI：围绕 agentic loop 这个词的大量模板化推广，未收入案例。
Opus 5.5、GPT-6 Astra 和 DeepSeek-V4.1-Flash：循环里最常被点名的模型。
评论