Loop 日报: 2026-10-12
整数乘法的上界昨夜又动了，而推动它的人现在被当成体育队一样排名。Rohan Arun 组织的社区自动研究切换到了 Sussman 的 E8 几何，跨过 kappa 10^-3，24 小时内记录了 151 个 agent 提交的 PR（89 个标注 Codex，48 个标注 Claude），还上线了一个按 PR 数和「在最佳上界上花的分钟数」给贡献者排名的仪表盘。方法论上的消息比数字更锋利：微软 AI Frontiers 的一篇论文发现自动研究运行会掉进「想法盆地」不再出来，并提出 fork-and-flush 来逃离；一位有实战经验的研究者把自动研究拆成三种活（「把这东西弄快」管用，「改进这次前沿训练」非常不行，「把我带到接近前沿」是实用的劳动替代），评论区没人反驳。应用层的循环跨度很大：基因组学研究者用自动优化外壳拿到大幅速度和内存收益，一个证明器变快两倍、内存只用四分之一，一个趋势跟踪模型跑了 300 次实验和一个月算力，一个 NetHack 强化学习循环推到每秒 1.4 万步，还有一条一个人用 Claude Code、Greptile 和 600 行 Python 搭的合并流水线，agent 能写不能合，合并脚本能合不能写。十几个近乎相同的账号刷的「Opus 写、Jev 决定」路由模板只在雷达里记一笔，不收为案例。
#1
@RohanArun
https://x.com/RohanArun/status/2109336015814959200
RohanArun 的社区整数乘法自动研究日报：条件上界从 kappa 2 的负 182 次方走到约 0.001289，24 小时提升 69%。向外征集「狂野新设计」之后，比特侧和复数侧之间那道「墙」被多次翻转，@mrowdays 贡献了最大一段进展，引入了 Sussman 的 E8 格几何，一位叫 Dugongue 的贡献者在凌晨三点左右提交了第一个跨过 kappa 10^-3 的 PR。各队现在把失败记录写进 GitHub 文件互相共享，避免重复烧 token，组织者也在公开测试 agent 团队是竞争还是协作进展更快。PR 数据：24 小时 151 个 agent 提交的 PR，89 个标注 Codex、48 个标注 Claude，新增 2.619 亿行代码、删除 37,108 行；顶尖的人加 agent 团队都同时用 Codex 和 Claude 找新想法，也有人用 Antigravity、Cline、Hermes 甚至 ChatGPT 提交。
https://x.com/RohanArun/status/2109336015814959200
RohanArun 的社区整数乘法自动研究日报：条件上界从 kappa 2 的负 182 次方走到约 0.001289，24 小时提升 69%。向外征集「狂野新设计」之后，比特侧和复数侧之间那道「墙」被多次翻转，@mrowdays 贡献了最大一段进展，引入了 Sussman 的 E8 格几何，一位叫 Dugongue 的贡献者在凌晨三点左右提交了第一个跨过 kappa 10^-3 的 PR。各队现在把失败记录写进 GitHub 文件互相共享，避免重复烧 token，组织者也在公开测试 agent 团队是竞争还是协作进展更快。PR 数据：24 小时 151 个 agent 提交的 PR，89 个标注 Codex、48 个标注 Claude，新增 2.619 亿行代码、删除 37,108 行；顶尖的人加 agent 团队都同时用 Codex 和 Claude 找新想法，也有人用 Antigravity、Cline、Hermes 甚至 ChatGPT 提交。
#2
@jackcai1206
https://x.com/jackcai1206/status/2109101112988950691
jackcai1206 和微软 AI Frontiers 的团队问了一个问题：自动研究 agent 跑得越久，是在继续探索新路，还是主要在打磨早期找到的那条？答案是运行会掉进各自不同的「想法盆地」并停在那里。论文提出 fork-and-flush，一种逃离盆地的简单机制，并用向量嵌入可视化把盆地画了出来。评论区有人说在开放式讨论轨迹里看到了同样的现象，也有人用「重置上下文、同时用 git 给工作区分支」的做法得到类似效果，还有人追问 agent 留在工作区里的 .md 笔记会不会成为一种多余的记忆，把刚刷掉的运行又拖回同一个盆地。
https://x.com/jackcai1206/status/2109101112988950691
jackcai1206 和微软 AI Frontiers 的团队问了一个问题：自动研究 agent 跑得越久，是在继续探索新路，还是主要在打磨早期找到的那条？答案是运行会掉进各自不同的「想法盆地」并停在那里。论文提出 fork-and-flush，一种逃离盆地的简单机制，并用向量嵌入可视化把盆地画了出来。评论区有人说在开放式讨论轨迹里看到了同样的现象，也有人用「重置上下文、同时用 git 给工作区分支」的做法得到类似效果，还有人追问 agent 留在工作区里的 .md 笔记会不会成为一种多余的记忆，把刚刷掉的运行又拖回同一个盆地。
#3
@iaindunning
https://x.com/iaindunning/status/2109364027402998186
iaindunning 在实战中跑自动研究的三点观察。「把这东西弄快」效果很好。「改进这次前沿训练运行」非常不行，而那恰恰是等于递归自我改进的那一类，我们显然还没有。「把我带到接近前沿」效果不错，本质是劳动替代：那本来就是照剧本跑，你自己也能做，只是不必亲自做了。代码比研究容易，也更容易做后训练，作者认为这解释了差距。评论补充：自动研究在答案可以被检验的地方才管用，前沿训练没有可以打分的真值；另外先给出想清楚的抽象，结果会好很多也快很多。
https://x.com/iaindunning/status/2109364027402998186
iaindunning 在实战中跑自动研究的三点观察。「把这东西弄快」效果很好。「改进这次前沿训练运行」非常不行，而那恰恰是等于递归自我改进的那一类，我们显然还没有。「把我带到接近前沿」效果不错，本质是劳动替代：那本来就是照剧本跑，你自己也能做，只是不必亲自做了。代码比研究容易，也更容易做后训练，作者认为这解释了差距。评论补充：自动研究在答案可以被检验的地方才管用，前沿训练没有可以打分的真值；另外先给出想清楚的抽象，结果会好很多也快很多。
#4
@RohanArun
https://x.com/RohanArun/status/2108893928858468614
一夜之间，RohanArun 的 agent 们为整数乘法提交了五个更高的上界，还给另外四篇 OpenAI 数学论文提交了改进。那一晚整数乘法的链条从 kappa 7.44e-4 走到当时领先的 7.4998e-4，横跨 PR #287 到 #303，描述诸如「固定素数层」「构造框架下降」「gen5 下降加 220 个平方再加第三阶段」。并行的提交还落在单位距离格、Van der Waerden、Sidorenko 和矩阵乘法扇区障碍上。作者的框架是：循环全天候在跑，但触发分布外解法的洞察依然来自人，人现在负责在夜里指挥整支舰队。
https://x.com/RohanArun/status/2108893928858468614
一夜之间，RohanArun 的 agent 们为整数乘法提交了五个更高的上界，还给另外四篇 OpenAI 数学论文提交了改进。那一晚整数乘法的链条从 kappa 7.44e-4 走到当时领先的 7.4998e-4，横跨 PR #287 到 #303，描述诸如「固定素数层」「构造框架下降」「gen5 下降加 220 个平方再加第三阶段」。并行的提交还落在单位距离格、Van der Waerden、Sidorenko 和矩阵乘法扇区障碍上。作者的框架是：循环全天候在跑，但触发分布外解法的洞察依然来自人，人现在负责在夜里指挥整支舰队。
#5
@RohanArun
https://x.com/RohanArun/status/2109157901726089695
GitHub 上的自动研究项目越来越多，RohanArun 做了一个仪表盘把它们全部收进来，贡献者统计做成体育队的样子。它能即时抓到新 PR，还链接到 X 上大家实时协作的提及。数据纠正了作者自己的排名：RohanArun 在整数乘法上界上提交的 PR 最多，但 @dysmemic 在最佳上界上累计停留的分钟数更多。随帖一起提交的新 PR 条件 kappa 为 9.32e-4。
https://x.com/RohanArun/status/2109157901726089695
GitHub 上的自动研究项目越来越多，RohanArun 做了一个仪表盘把它们全部收进来，贡献者统计做成体育队的样子。它能即时抓到新 PR，还链接到 X 上大家实时协作的提及。数据纠正了作者自己的排名：RohanArun 在整数乘法上界上提交的 PR 最多，但 @dysmemic 在最佳上界上累计停留的分钟数更多。随帖一起提交的新 PR 条件 kappa 为 9.32e-4。
#6
@RohanArun
https://x.com/RohanArun/status/2109266640395293048
RohanArun 对全部自动研究 PR 数据的分析。Codex 是用得最多的 harness，领先幅度很大，Astra 吐出改进的速度最快，但大多数顶尖团队同时用 Codex 和 Claude，这和作者自己的体验一致：换个模型去测新想法常常有提升。给出的假设是每个模型有各自的训练和解空间，所以用不同模型、略带对抗性的团队可能正是整体加速的原因。有些队用 Antigravity、Cline、Hermes 和 ChatGPT；直觉好的专家用什么 harness 都行，但前沿模型省下的是小时，所以早期进展被它们拿走。
https://x.com/RohanArun/status/2109266640395293048
RohanArun 对全部自动研究 PR 数据的分析。Codex 是用得最多的 harness，领先幅度很大，Astra 吐出改进的速度最快，但大多数顶尖团队同时用 Codex 和 Claude，这和作者自己的体验一致：换个模型去测新想法常常有提升。给出的假设是每个模型有各自的训练和解空间，所以用不同模型、略带对抗性的团队可能正是整体加速的原因。有些队用 Antigravity、Cline、Hermes 和 ChatGPT；直觉好的专家用什么 harness 都行，但前沿模型省下的是小时，所以早期进展被它们拿走。
#7
@jmschreiber91
https://x.com/jmschreiber91/status/2109295055093498224
一位基因组学研究者最近在深度使用自己称为「自动优化」的东西，形容它是裹了一层保护膜的自动研究循环。几乎所有被它对准的目标都拿到了大幅的速度和内存改进，作者的结论是基因组学的软件生态还有太多可以改的地方。
https://x.com/jmschreiber91/status/2109295055093498224
一位基因组学研究者最近在深度使用自己称为「自动优化」的东西，形容它是裹了一层保护膜的自动研究循环。几乎所有被它对准的目标都拿到了大幅的速度和内存改进，作者的结论是基因组学的软件生态还有太多可以改的地方。
#8
@oleh_bc
https://x.com/oleh_bc/status/2109266688227115133
oleh_bc 的自动研究跑完了：一个证明器，生成和原版完全一样的证明，速度快两倍，内存只用 25%。结果在测试网上仔细验证后就会提 PR，作者邀请别人把 agent 对准这个仓库来打破这个成绩。一个协议团队回复说他们的 V6 对证明器做了大幅改进，很想看到这个自动研究项目在上面跑一遍。
https://x.com/oleh_bc/status/2109266688227115133
oleh_bc 的自动研究跑完了：一个证明器，生成和原版完全一样的证明，速度快两倍，内存只用 25%。结果在测试网上仔细验证后就会提 PR，作者邀请别人把 agent 对准这个仓库来打破这个成绩。一个协议团队回复说他们的 V6 对证明器做了大幅改进，很想看到这个自动研究项目在上面跑一遍。
#9
@VictorTaelin
https://x.com/VictorTaelin/status/2108891482983653783
VictorTaelin 谈什么项目适合「定律加自动研究」的循环：不是所有东西都行，但 Bend 本身可以，因为给一个经过认证的编译器写定律是非常可行的事（编译器对不对，看它是否和解释器一致）。作者说 Bend 是最适合跑这个循环的项目，论点是人们可能会因为它在每一个可度量的维度上都赢过别的语言而采用它，哪怕完全不在乎证明。
https://x.com/VictorTaelin/status/2108891482983653783
VictorTaelin 谈什么项目适合「定律加自动研究」的循环：不是所有东西都行，但 Bend 本身可以，因为给一个经过认证的编译器写定律是非常可行的事（编译器对不对，看它是否和解释器一致）。作者说 Bend 是最适合跑这个循环的项目，论点是人们可能会因为它在每一个可度量的维度上都赢过别的语言而采用它，哪怕完全不在乎证明。
#10
@sorenxet
https://x.com/sorenxet/status/2109334947538354411
sorenxet 总结了一篇可能是迄今最详尽的 agent 论文：17 位研究者，由华为诺亚方舟实验室前负责人领衔，把一个 agent 拆开，说明哪种配置适合哪种任务。一句话的论点是：agent 的质量来自模型加上围绕它的 harness，光看模型解释不了。harness 有六个部分，每个 agent 都有：观察、上下文、控制循环、动作、状态、验证。论文梳理了四个时代，提示工程、上下文工程、harness 工程、agent 原生训练，瓶颈从提示词一路向外挪到运行时。索引：第 4 页是循环示意图，第 5 页是六部分 harness，6.3 节讲哪种配置适合哪种任务，7.3 节是按模型和按 harness 分列的 SWE-bench 结果。
https://x.com/sorenxet/status/2109334947538354411
sorenxet 总结了一篇可能是迄今最详尽的 agent 论文：17 位研究者，由华为诺亚方舟实验室前负责人领衔，把一个 agent 拆开，说明哪种配置适合哪种任务。一句话的论点是：agent 的质量来自模型加上围绕它的 harness，光看模型解释不了。harness 有六个部分，每个 agent 都有：观察、上下文、控制循环、动作、状态、验证。论文梳理了四个时代，提示工程、上下文工程、harness 工程、agent 原生训练，瓶颈从提示词一路向外挪到运行时。索引：第 4 页是循环示意图，第 5 页是六部分 harness，6.3 节讲哪种配置适合哪种任务，7.3 节是按模型和按 harness 分列的 SWE-bench 结果。
#11
@ignotus_nemo
https://x.com/ignotus_nemo/status/2108958907586502875
自动研究平台用在安全证明上：Parano1d 说三条 v2 生产义务现在都有了源码级证明和可复现的检查，覆盖旧矩阵退役绑定、精确的递归父节点与记录绑定，以及同步期间经过认证的状态安装。平台把安全证书做成一张交互地图，每条声明背后的证据都能点开查看，还刷新了一批 v2 研究任务，任何人都可以让自己的 agent 去做。
https://x.com/ignotus_nemo/status/2108958907586502875
自动研究平台用在安全证明上：Parano1d 说三条 v2 生产义务现在都有了源码级证明和可复现的检查，覆盖旧矩阵退役绑定、精确的递归父节点与记录绑定，以及同步期间经过认证的状态安装。平台把安全证书做成一张交互地图，每条声明背后的证据都能点开查看，还刷新了一批 v2 研究任务，任何人都可以让自己的 agent 去做。
#12
@kingcorki
https://x.com/kingcorki/status/2108977142013046930
一个周六规模的循环：kingcorki 搭了一个小 agent 循环，读新进来的用户反馈笔记并给主要主题打标签。以前每个周末要花 35 分钟把它们分进文件夹，现在循环会丢出一段简短摘要，复核不到十分钟。
https://x.com/kingcorki/status/2108977142013046930
一个周六规模的循环：kingcorki 搭了一个小 agent 循环，读新进来的用户反馈笔记并给主要主题打标签。以前每个周末要花 35 分钟把它们分进文件夹，现在循环会丢出一段简短摘要，复核不到十分钟。
#13
@awww_yeaah
https://x.com/awww_yeaah/status/2109306941348733076
awww_yeaah 用结果回击一位质疑做交易的人：一个 agent 跑自动研究循环，在 11 年数据上开发出一个能盈利的趋势跟踪机器学习模型。整个过程跑了 300 多次实验，用了大约一个月算力。
https://x.com/awww_yeaah/status/2109306941348733076
awww_yeaah 用结果回击一位质疑做交易的人：一个 agent 跑自动研究循环，在 11 年数据上开发出一个能盈利的趋势跟踪机器学习模型。整个过程跑了 300 多次实验，用了大约一个月算力。
#14
@kunal_mugalkhod
https://x.com/kunal_mugalkhod/status/2109352565116965149
kunal_mugalkhod 不再盯着编码 agent，搭了一个中间没有人的循环。它从 task.md 里挑下一个任务，Claude Code 以无头模式构建（开分支、先写测试、再写代码），测试和 lint 不过就不会出现 PR，Greptile 审每一次推送，评分不到 5/5 就让 Claude 修掉有效意见、对其余意见提出反驳再推，到 5/5 时一个很笨的 Python 脚本重跑测试并合并。安全规则是权力分立：agent 能写代码但不能合并、不能强推、不能碰 main；脚本能合并但不能写代码；五轮拿不到 5/5 就停下来问人。踩过的坑：git 的凭证弹窗卡死了无头运行（改用 SSH 加 ssh-agent），Windows 文件锁让仪表盘崩了，一个灾难性回溯的正则把一个核心占了十分钟。作者的比例：自治是两成 AI、八成管道。技术栈是 Claude Code、Greptile、大约 600 行 Python 和 gh。
https://x.com/kunal_mugalkhod/status/2109352565116965149
kunal_mugalkhod 不再盯着编码 agent，搭了一个中间没有人的循环。它从 task.md 里挑下一个任务，Claude Code 以无头模式构建（开分支、先写测试、再写代码），测试和 lint 不过就不会出现 PR，Greptile 审每一次推送，评分不到 5/5 就让 Claude 修掉有效意见、对其余意见提出反驳再推，到 5/5 时一个很笨的 Python 脚本重跑测试并合并。安全规则是权力分立：agent 能写代码但不能合并、不能强推、不能碰 main；脚本能合并但不能写代码；五轮拿不到 5/5 就停下来问人。踩过的坑：git 的凭证弹窗卡死了无头运行（改用 SSH 加 ssh-agent），Windows 文件锁让仪表盘崩了，一个灾难性回溯的正则把一个核心占了十分钟。作者的比例：自治是两成 AI、八成管道。技术栈是 Claude Code、Greptile、大约 600 行 Python 和 gh。
#15
@mistyotter_ai
https://x.com/mistyotter_ai/status/2109344066441793824
mistyotter_ai 的百日挑战第 8 天：受够了给 NetHack 机器人的自动研究框架当保姆，作者转向在单张 4090 上从零做强化学习，现在改用自动研究去优化训练速度，已经到每秒 1.4 万步。第一轮的中位数一局只有 13 个动作，作者自己说，要求「游戏更快」得到的就是这个。
https://x.com/mistyotter_ai/status/2109344066441793824
mistyotter_ai 的百日挑战第 8 天：受够了给 NetHack 机器人的自动研究框架当保姆，作者转向在单张 4090 上从零做强化学习，现在改用自动研究去优化训练速度，已经到每秒 1.4 万步。第一轮的中位数一局只有 13 个动作，作者自己说，要求「游戏更快」得到的就是这个。
#16
@paddy_lamont
https://x.com/paddy_lamont/status/2109300116922462592
paddy_lamont 管理 agent 的方式开始像一张组织架构图，而配套工具还没到位。作者的地图：短命子代理的层级适合有大量小实验的自动研究或范围明确的实现与评审，不适合长任务；蜂群适合有可检验答案的开放问题，比如数学，但非常贵；动态工作流是协调大工程的折中，但不灵活；目前最喜欢的是由管理者 agent 拉起并与之对话的长寿 agent，比蜂群省、比子代理更适合长线程，但工具很差。被点名的瓶颈是信息管理：agent 产出太多半结构化的 markdown，把一切拖慢，还很快过时。
https://x.com/paddy_lamont/status/2109300116922462592
paddy_lamont 管理 agent 的方式开始像一张组织架构图，而配套工具还没到位。作者的地图：短命子代理的层级适合有大量小实验的自动研究或范围明确的实现与评审，不适合长任务；蜂群适合有可检验答案的开放问题，比如数学，但非常贵；动态工作流是协调大工程的折中，但不灵活；目前最喜欢的是由管理者 agent 拉起并与之对话的长寿 agent，比蜂群省、比子代理更适合长线程，但工具很差。被点名的瓶颈是信息管理：agent 产出太多半结构化的 markdown，把一切拖慢，还很快过时。
#17
@richardprice100
https://x.com/richardprice100/status/2109335243916493117
richardprice100 写了一篇长文，论证应该把对递归自我改进的预期往上调。编码 agent 和 AI 数学都成功了，而数学成果从今年早些时候的「文献发现」变成了真正的「第 37 手」时刻，作者把这读成 RLVR 一路爬坡爬到了原创性。提出的问题是：如果 AI 研究和数学一样可验证，为什么 AI 生成的 AI 研究还没到顶尖人类的水平？给出的答案是循环时间：Lean 检查很便宜，AI 实验要花算力、耗时长得多，验证信号慢 10 到 100 倍。随着算力扩张、循环时间缩短，作者预计 AI 生成的 AI 研究会沿着数学的轨迹走，滞后 12 到 24 个月。
https://x.com/richardprice100/status/2109335243916493117
richardprice100 写了一篇长文，论证应该把对递归自我改进的预期往上调。编码 agent 和 AI 数学都成功了，而数学成果从今年早些时候的「文献发现」变成了真正的「第 37 手」时刻，作者把这读成 RLVR 一路爬坡爬到了原创性。提出的问题是：如果 AI 研究和数学一样可验证，为什么 AI 生成的 AI 研究还没到顶尖人类的水平？给出的答案是循环时间：Lean 检查很便宜，AI 实验要花算力、耗时长得多，验证信号慢 10 到 100 倍。随着算力扩张、循环时间缩短，作者预计 AI 生成的 AI 研究会沿着数学的轨迹走，滞后 12 到 24 个月。
#18
@Shekswess
https://x.com/Shekswess/status/2109380877616603641
Shekswess 声明自己不是专家，但过去三个月在预训练和一些不太常规的强化学习实验上跑自动研究，看到的现象和那条「三点观察」一致：当你已经自己把思考和研究做完、只是把具体想法指给 agent 去实现时，自动研究很强。用作者的话说，这还不是递归自我改进，也许有一天会，但现在还不是。
https://x.com/Shekswess/status/2109380877616603641
Shekswess 声明自己不是专家，但过去三个月在预训练和一些不太常规的强化学习实验上跑自动研究，看到的现象和那条「三点观察」一致：当你已经自己把思考和研究做完、只是把具体想法指给 agent 去实现时，自动研究很强。用作者的话说，这还不是递归自我改进，也许有一天会，但现在还不是。
#19
@ruthuvikas
https://x.com/ruthuvikas/status/2109346350618042867
ruthuvikas 问 Claude Code 里子代理的主要用途到底是什么。按作者的经验，一个单 agent 循环几乎在所有场景下都够用，harness 更简单，最重要的是 token 消耗可控。子代理能并行做调研，但多开几个单循环的 Claude 会话不也能做同样的事吗？帖子呼吁有人真的去测一测：多个单会话 Claude 和一个带子代理的会话，token 消耗到底谁高。
https://x.com/ruthuvikas/status/2109346350618042867
ruthuvikas 问 Claude Code 里子代理的主要用途到底是什么。按作者的经验，一个单 agent 循环几乎在所有场景下都够用，harness 更简单，最重要的是 token 消耗可控。子代理能并行做调研，但多开几个单循环的 Claude 会话不也能做同样的事吗？帖子呼吁有人真的去测一测：多个单会话 Claude 和一个带子代理的会话，token 消耗到底谁高。
#20
@yuvrajvirk0
https://x.com/yuvrajvirk0/status/2109350487703114233
回复 fork-and-flush 论文时，yuvrajvirk0 说自己在自动研究任务上试过类似策略：重置模型上下文，同时用 git 给工作区开分支，效果同样不错。还夸了那张想法盆地的向量嵌入可视化，说它把问题展示得很清楚。
https://x.com/yuvrajvirk0/status/2109350487703114233
回复 fork-and-flush 论文时，yuvrajvirk0 说自己在自动研究任务上试过类似策略：重置模型上下文，同时用 git 给工作区开分支，效果同样不错。还夸了那张想法盆地的向量嵌入可视化，说它把问题展示得很清楚。
#21
@poteto
https://x.com/poteto/status/2109338732713447790
poteto 在讨论 agent 循环设计时提出 Erlang 哲学同样适用：「让它崩」变成「让它写垃圾」，要做的是把代码库和约束都设计好，让 agent 生成的代码平均质量能高起来。在另一条相关回复里，作者把 Grok Bot 桌面版几个月、几千个 PR 之后依然性能良好归功于设计周到的循环，而不是代码本身有多好。
https://x.com/poteto/status/2109338732713447790
poteto 在讨论 agent 循环设计时提出 Erlang 哲学同样适用：「让它崩」变成「让它写垃圾」，要做的是把代码库和约束都设计好，让 agent 生成的代码平均质量能高起来。在另一条相关回复里，作者把 Grok Bot 桌面版几个月、几千个 PR 之后依然性能良好归功于设计周到的循环，而不是代码本身有多好。
#22
@anshulkarasi
https://x.com/anshulkarasi/status/2109354405770174710
anshulkarasi 的经验法则：每个 AI agent 要么是一个循环，要么是一张图，作者排过的大多数 bug 都不是模型笨，而是形状选错了。循环用来把事情弄明白，图用来保证不把事情搞砸。链接的文章讲了什么时候用哪种，以及两种各自怎么失败。
https://x.com/anshulkarasi/status/2109354405770174710
anshulkarasi 的经验法则：每个 AI agent 要么是一个循环，要么是一张图，作者排过的大多数 bug 都不是模型笨，而是形状选错了。循环用来把事情弄明白，图用来保证不把事情搞砸。链接的文章讲了什么时候用哪种，以及两种各自怎么失败。
#23
@ItsChrisOnX
https://x.com/ItsChrisOnX/status/2109371422829068796
一条以用例形式出现的 bug 报告：ItsChrisOnX 跑着一个 Codex 写 PR、另一个 agent 来评审的循环。「@codex review」完全正常，但在同一个 PR 上每条「@codex 去做 X」都返回「请为这个仓库创建环境」，而环境明明已经发布了。这个 issue 从四月开到现在，重新连接也没用。
https://x.com/ItsChrisOnX/status/2109371422829068796
一条以用例形式出现的 bug 报告：ItsChrisOnX 跑着一个 Codex 写 PR、另一个 agent 来评审的循环。「@codex review」完全正常，但在同一个 PR 上每条「@codex 去做 X」都返回「请为这个仓库创建环境」，而环境明明已经发布了。这个 issue 从四月开到现在，重新连接也没用。
#24
@Zekunnnnn
https://x.com/Zekunnnnn/status/2108784531289604171
Zekunnnnn 发现有人给 ICLR 论文做了一个 Polymarket，用声望点数而不是真钱，然后问：多久之后会有领域主席开始交易自己手里评审的论文？帖子里关于「很多投稿是怎么写出来的」的玩笑是：/goal 用 autoresearch skill 发一篇 ICLR 水平的论文。
https://x.com/Zekunnnnn/status/2108784531289604171
Zekunnnnn 发现有人给 ICLR 论文做了一个 Polymarket，用声望点数而不是真钱，然后问：多久之后会有领域主席开始交易自己手里评审的论文？帖子里关于「很多投稿是怎么写出来的」的玩笑是：/goal 用 autoresearch skill 发一篇 ICLR 水平的论文。
📡 生态产品雷达
生态产品雷达
Codex（OpenAI）：数学自动研究 PR 数据里用得最多的 harness，领先幅度很大，也是好几个评审循环里负责写的那一方
Claude Code：几乎每支顶尖团队的第二个 harness，Greptile 合并循环里的无头构建者，也是「单循环还是子代理」那条疑问的主角
autoresearch（Karpathy）：依然是参照循环，出现在提示词、skill 和「给 ICLR 论文做 Polymarket」的玩笑里
Jev（TypeSafe）：十几个近乎相同的「Opus 写、Jev 决定」路由模板，一份带来源的 awesome-jev 地图，以及声称它占循环步骤约七成的示意图；这波只做记录，不做背书
Greptile：一个人的合并流水线里的评审者
Hermes（Nous Research）：出现在数学 PR 数据里，也是人们配 Claude 订阅用的 agent
Antigravity 和 Cline：自动研究 PR 数据里出现的替代 harness
Decision-1（微软）、Clef（Cloudflare）、Drex：和 Jev 一起被点名的决策模型潮，用在循环里的是非判断步骤上
GitHub：数学项目的共享记忆，从失败笔记到 PR 仪表盘
Codex（OpenAI）：数学自动研究 PR 数据里用得最多的 harness，领先幅度很大，也是好几个评审循环里负责写的那一方
Claude Code：几乎每支顶尖团队的第二个 harness，Greptile 合并循环里的无头构建者，也是「单循环还是子代理」那条疑问的主角
autoresearch（Karpathy）：依然是参照循环，出现在提示词、skill 和「给 ICLR 论文做 Polymarket」的玩笑里
Jev（TypeSafe）：十几个近乎相同的「Opus 写、Jev 决定」路由模板，一份带来源的 awesome-jev 地图，以及声称它占循环步骤约七成的示意图；这波只做记录，不做背书
Greptile：一个人的合并流水线里的评审者
Hermes（Nous Research）：出现在数学 PR 数据里，也是人们配 Claude 订阅用的 agent
Antigravity 和 Cline：自动研究 PR 数据里出现的替代 harness
Decision-1（微软）、Clef（Cloudflare）、Drex：和 Jev 一起被点名的决策模型潮，用在循环里的是非判断步骤上
GitHub：数学项目的共享记忆，从失败笔记到 PR 仪表盘
评论