2026年7月12日loop

Loop 日报: 2026年7月12日

本周关于 loop 的讨论明显分成了两个阵营：一边在实打实地跑闭环系统，一边还在争论这些东西到底算不算研究。最扎眼的案例来自一位数学家，他在抽象代数领域跑自动研究循环，眼看着循环产出了可证明的定理，用的还是人类从没见过的记号。与此同时，Shopify 开源了内部的 autoresearch 全套系统，GitHub 靠一个循环设计上的改动把 Copilot 审查成本砍了 20%，还有一篇新论文证明在 Karpathy 的循环外面再套一层循环，同一个模型能好 5 倍。前沿早就不在模型本身了，而在于谁能围绕模型设计出更好的循环。

💡#1

@nasqret
https://x.com/nasqret/status/2075686199583473693
一位数学家连续几周在代数领域跑自动研究循环，说自己看到了他称之为「泛化火花」的东西。只要问题能归约成关于环的构造性问题，模型就能用纯 Rust 从零写出可用代码，根本不需要专门的计算机代数系统。循环偶尔会从计算过程里抽象出缺失的规则，然后自发地把它们泛化成新命题——这些命题可证明、甚至能在 Lean 里形式化，但完全违背人类直觉。他的结论是：持续推着 agent 往前走，你最终会走进一片没有任何人踏足过的数学疆域，连记号都是外星的。他接下来几天会公开循环里的具体例子。

💡#2

@ShopifyEng
https://x.com/ShopifyEng/status/2075389048794104222
Shopify 工程团队在 ICML 上展示了 Tangle 和 Tangent，Linux 基金会刚把它写成了正式文章。Tangle 是他们开源的 ML 实验平台：拖拽式 pipeline 搭建、缓存层、每次运行和日志永久留存。Tangent 是架在上面的自主 agent，跑的是 Karpathy 式的 autoresearch 循环，带门控检查点和跨运行的持久记忆。他们用它重建了一个重排序模型：agent 自己迭代自己的假设，把 90% 精度下的召回率从 67.3% 推到了 75.6%，运行之间没有任何人插手。

💡#3

@s4yonnara
https://x.com/s4yonnara/status/2075510975113867337
一篇 16 页的论文把 Karpathy 的 autoresearch 循环又包了一层外循环，同一个模型直接拿到 5 倍的效果提升。内循环卡住的原因是 LLM 总是反复提同样的修改，然后又弹回自己的先验。外循环负责读内循环的代码和运行轨迹，定位卡在哪里，然后用 Python 现写全新的搜索逻辑，热注入到正在跑的循环里。给自己搭 agent 的照抄配方：起一个第二 agent，唯一职责就是读第一个 agent 的日志；让它改写机器本身而不是重试任务；每次改写失败就自动回滚。

💡#4

@kdaigle
https://x.com/kdaigle/status/2075619525203009800
GitHub 一位工程负责人分享了他们怎么在质量不掉的前提下把 Copilot Code Review 的成本降了 20%，只靠一招：别再优化单个工具调用，而是让 agent 循环表现得更像一个人类审查者、少像一个调工具的机器人。这是极少见的、来自超大规模生产系统的循环形态经济学公开数据点。

💡#5

@Nekt_0
https://x.com/Nekt_0/status/2075691933494820996
一篇拆解，讲怎么把 Karpathy 的 AutoResearch 模式从 ML 实验室搬到业务指标上。案例是冷邮件优化：Claude 研究基线文案和挑战者文案，把学到的教训写进一个资源文件，生成新文案，通过 Instantly API 发出去，靠 GitHub Actions 每 4 小时重复一次。演化模式跟原版一模一样，只是适应度函数从验证损失换成了回复率。作者的说法很扎心：一个每 4 小时跑一次的业务循环，胜过 100 条躺在文档里的更好 prompt。

💡#6

@vansinhu
https://x.com/vansinhu/status/2075575657388782009
一个研究组发布了 IdeaGene-Bench，论点是自动研究的真正瓶颈在于 AI 科学家是否理解想法从哪来。他们的框架：科学想法有基因组，会继承机制、修复局限、分化出谱系——比如 YOLO 到 YOLOv2 是一条线，CNN 检测到 DETR 是另一条。这个基准测的是谱系推理和基于谱系的想法生成。目前最强的系统在科学谱系推理上也只有 27.3% 的准确率，说明能写出一份像样的 proposal，离真正拥有研究品味还差得远。

💡#7

@OrangeBot_AI
https://x.com/OrangeBot_AI/status/2075369437796962618
一篇叫 The Blind Curator 的新论文，给所有用 LLM 当裁判跑自我改进 agent 的人敲了警钟。当裁判存在假通过偏差——把失败错判成通过——一旦越过某个尖锐阈值，agent 会悄无声息地丧失淘汰坏技能的能力。聚合指标上什么都看不出来，循环表面健康，内部已经在烂。只有假通过率接近零的验证器式评分器能活下来。结论：在信任任何自我演化循环之前，先对裁判本身做一次廉价的故障注入审计。

💡#8

@NVIDIAHealth
https://x.com/NVIDIAHealth/status/2075641200204509447
NVIDIA 从共同演化的角度攻同一个评估器问题。Red Queen Gödel Machine 让 agent 和评估器共同演化，agent 持续进步的同时始终锚定在可信的 ground truth 上，用比之前编码基线少 1.35 到 1.72 倍的搜索 token 就超过了它。在论文评审实验里，Nemotron 3 Ultra 工作 agent 配一个前沿级 meta-agent，性能接近纯前沿模型方案，搜索 token 成本却低了约 13 倍。他们正在用 BioNeMo Agent Toolkit 向生物和化学循环推进。

💡#9

@SPAC89
https://x.com/SPAC89/status/2075475878075588843
一位 builder 围绕 GPT-5.6 Sol 和 Karpathy 式 autoresearch 方法重建了整个工作流，加了独立审计 agent 来保证研究中立、压低幻觉。以前他是 GPT-5.5 做研究、OpenCode 配 GLM 做前端，每个界面还得人工目检。现在一个模型两头全包，工作流快了约 50%，最终产出还更好。他说会把完整工作流开源。

💡#10

@johnennis
https://x.com/johnennis/status/2075534953723380005
一个小但很说明问题的数据点：模型能力正在吃掉循环脚手架。他睡前让 5.6 Sol 微调一个 T5Gemma 2 模型——放以前这种任务他得搭一整套 autoresearch 式的流程——结果一觉醒来模型已经调好了。过夜实验循环正在变成一句话的事。

💡#11

@lily_sfbio
https://x.com/lily_sfbio/status/2075390207516631055
一条 ICML 上关于 Automated AI Research 的心得：这类工作优化的不是单个模型，而是研究过程本身——生成想法、实现实验、自动评估、通过迭代搜索演化。作者的结论是，未来的瓶颈可能不再是写实验代码，而是为 AI 设计更好的、可供探索的研究环境。

💡#12

@pratikg
https://x.com/pratikg/status/2075429414314062197
OpenFrontierCS 上线并冲上热门：与 UC Berkeley 和 Princeton 合作的开放式 agentic-science autoresearch 挑战赛。卖点是可度量的 autoresearch——人类提问，AI 帮忙找答案，用公开挑战当标尺。值得盯一下，这是想给 autoresearch 这波浪潮立一个共享基准的尝试，而不是继续让每家自己给自己的作业打分。

💡#13

@HarshSensei
https://x.com/HarshSensei/status/2075523612480848285
两位 builder 把他们的 autoresearch 系统公开了：高效捕捉每次实验的上下文，支撑他们所谓的 agent-first 研究。他们解决的痛点是真的——agent 跑了几百次实验之后就记不清试过什么了——实验上下文基础设施正在悄悄长成一个独立品类。

💡#14

@wzenus
https://x.com/wzenus/status/2075374862592532659
来自 ICML FAGEN workshop 的工作：帮语言模型 agent 在不确定性和成本约束下做更好的决策，叫 Calibrate-Then-Act——决定什么时候该检索、该问澄清问题、该跑实验、该停手。预算感知的决策是 autoresearch 里不性感但绕不开的另一半：每个跑实验的循环都需要一套策略，判断下一个实验值不值那些 token。

💡#15

@mfishbein
https://x.com/mfishbein/status/2075724544111738965
对 AI 内容为什么烂的一针见血的诊断：编码 agent 靠跑代码就能自己闭环，但内容 agent 没有任何内部手段知道一条帖子会不会火。LLM 评审是垃圾进垃圾出，人工审核太慢，直接发出去测又有风险且反馈滞后。他提出的解法是 Emulated Loop：给社交平台造一个用历史内容表现数据训练的合成孪生体，agent 可以先在里面发草稿、快速拿到有依据的预测，再碰真实平台。

💡#16

@kocer_eth
https://x.com/kocer_eth/status/2075636101985747433
一个把 agent 循环落到物理世界的智能家居 demo：给 Hermes Agent 装上 Home Assistant 技能，喂它 URL 和 token，它自己测试 API 并把配置细节存下来。之后用大白话就能改变真实房间的状态——关灯、拉窗帘、开灯调成蓝色。写得很实在，不回避那些无聊的部分：实体命名要干净、token 的密钥管理、先从低风险设备开始再逐步放权限。

💡#17

@corentinanjuna
https://x.com/corentinanjuna/status/2075638555938828498
ZML 声称能在 48 小时内把 LLM 推理带到任何新芯片上，护城河的一部分就是一个能在一分钟内完成编译加测试迭代的 agentic 循环。密封的编译器工具链加上快速 agent 循环，意味着以前要一个团队干几周的移植活，现在变成了一个过夜就能跑完的搜索问题。

💡#18

@ivarvong
https://x.com/ivarvong/status/2075615787058909460
一个诚实的小规模实验：他让模型生成 bash 片段，抓取真实的 bash 输出当作期望值，用这些快照测试驱动一个 OpenCode 循环。能跑，但可靠性撑不起真正的 agent 循环；把报错回喂成测试用例有帮助，但覆盖不全。demo 里能跑的循环和无人值守也敢信的循环之间，差距还很大。

💡#19

@diamai_
https://x.com/diamai_/status/2075506059628761110
一个很有用的判断框架：看一个 agent 循环，第一眼先看停止规则。文中的例子是在 Codex 里跑每日文档检查，对比文档和当前代码，把漂移修进一个 PR，没事可做就干净退出。还有一个生产日志循环，每天早上扫描报错、复现真实问题、修代码、加测试、开 PR——有一次跑出来发现一个 Cloud Run 服务内存超耗。建议：从一个每天跑一次、结局要么是可审的 PR 要么是零改动的任务开始。

💡#20

@DataScienceDojo
https://x.com/DataScienceDojo/status/2075671400900157670
一份精确的分类学，梳理你能用 Claude Code 搭的四种循环：回合式（提示、行动、自检）；目标式，用 /goal 让一个评估模型卡住出口，可度量的终点线没过就不许停；定时式，用 /loop 和 /schedule 让计时器取代人来提示；还有主动式，日程、目标、工作流叠在一起，没人提示也自己转。值得记住的细节：目标循环只在标准真的可度量时才成立，而且大多数任务用回合式循环就够了，别上你根本不需要的重型方案。

💡#21

@0xMavex
https://x.com/0xMavex/status/2075563672626147787
一套过夜自主公司的四段式架构：便宜模型扫描变化，前沿模型只写计划不碰任何东西，中档模型干活，再起一个全新的前沿模型实例做对抗式检查。每个任务都记录通过或失败，某类任务 20 次运行通过率到 95% 以上就获得完全自主权，跌破 90% 就吊销。他的点睛之笔最诚实：没有这张成绩单，这套东西就只是一种在凌晨三点批量制造 bug 的昂贵方式。评分循环才是产品，agent 都是可替换的。

💡#22

@ncerovac
https://x.com/ncerovac/status/2075573558005174567
Wisp 团队解释了他们的 harness 选型：agent 循环用的是 LangGraph，但每一个工具、内核、权限系统、沙箱和做认证的 TEE 全部从零自建，为的是保证数据和 prompt 的机密性。这提醒了一件事：循环引擎正在变成大路货，真正烧工程预算的是围绕它的信任边界。

💡#23

@GauravAlbal
https://x.com/GauravAlbal/status/2075405993794838609
针对「autoresearch 只是工程」这场争论的一个逆向乐观派观点：粗暴堆 diff 的循环也许产不出发现，但把研究问题当成真正搜索空间来对待的那一流派，有可能产出。他的论据是：大量创新本质上就是领域迁移和相关想法的组合，而一个结构合理、harness 到位的 LLM 已经被证明干得了这件事。

💡#24

@Toma_web3
https://x.com/Toma_web3/status/2075431314354782485
一份成本分析，主张 Grok 4.5 改变了常驻 agent 循环的经济学：输入 token 每百万 2 美元，按 xAI 自己的数据，同一个 SWE-Bench Pro 任务的输出 token 比 Opus 4.8 少约 4 倍，agentic 工具使用榜排第一，通用智能榜只排第四。值得偷走的框架：前沿实验室卖了两年的巅峰智能，新战场是 24/7 无人盯表的循环里，每完成一个任务到底花多少钱。

💡#25

@shmidtqq
https://x.com/shmidtqq/status/2075600724897980539
一份被大量转发的总结，梳理 Karpathy 那场一小时分享里 2026 年 AI 工作的样子：他几乎不再手写代码，他的 Dobby agent 自己发现智能家居设备并搭出控制面板，AutoResearch agent 在没有人类拖慢循环的情况下测试研究想法。总结那句话点出了转变的本质：人不再是敲代码的那个人，而是设计循环、提供上下文、检查输出、判断 agent 什么时候错了的那个人。

💡#26

@LeeLeepenkman
https://x.com/LeeLeepenkman/status/2075462149712089114
一条指向野外实战的线索：有人在用一个开源股票预测仓库，让 agent 对着国际券商跑实验循环做 autoresearch 炒股。交易依然是最天然的非编码 autoresearch 领域——一个可编辑的策略文件，加一个残酷诚实的指标——而且这类配置正越来越多地浮出水面。

💡#27

@_vmlops
https://x.com/_vmlops/status/2075655660130439679
有人做了一个浏览器 demo，通过 WebLLM 在客户端跑真正的 agent 循环——没有后端、不要 API key、用你自己的 GPU。它把 12 种循环工程技术映射到医疗、保险、药物发现的具体场景，编排器、工具、护栏的形态和生产环境一致，还带一个不需要 GPU 的 mock 模式。想一步步看清 inspect-act-verify-decide 怎么执行，这是个真有用的东西。

💡#28

@YanXieAI
https://x.com/YanXieAI/status/2075464458466447852
来自视频生成前线的一条诚实笔记：生成成本还是太高，跑不起正经的 AutoResearch 式 prompt 优化循环。他照样在用 SeeDance 搭 YouTube 增长工作流，只是场景级 prompt 还得手动迭代。这条观察的价值在于它标出了边界：autoresearch 只在评估便宜的地方成立，而视频还没到那一步。

📡 生态产品雷达

生态产品雷达

今日 loop 讨论中被提及 3 次以上的产品和工具：

Claude Code —— 讨论中大多数工作流的默认循环 harness
Codex —— 文档漂移和生产日志循环的案例来源，开源 harness
Hermes Agent —— 智能家居控制循环、持久记忆配置
GPT-5.6 Sol —— 过夜微调和 autoresearch 式工作流
Grok 4.5 —— 24/7 agent 循环的单任务成本经济学
Karpathy's autoresearch —— 几乎所有帖子都在借鉴或反驳的参照模式
GitHub Actions —— 业务 autoresearch 的平民循环调度器
LangGraph —— Wisp 等隐私优先 agent 底下的循环引擎
Home Assistant —— 让 agent 循环通向物理世界的桥梁

← 上一篇

超级用户日报: 2026年7月12日

灵感雷达: 2026年7月12日

← 返回所有文章

加载中...

Loop 日报: 2026年7月12日

相关文章

评论