2026年11月16日loop

Loop 日报: 2026-11-16

这个周末最会做循环的人,都在忙着给循环踩刹车。HumanLayer 一天只跑一个流程、最多挂一个 PR、再加一个 agent 关不掉的传感器;有人清点了号称自主循环的仓库,真正闭环的不到百分之一;还有一个自我改进 agent,只要分数往上跳就留下更新,结果差不多一半时间收下的是更差的版本。另一头是真金白银砸进真循环:四千美元 token 教一支用语音指挥的足球队什么时候该压上,一个用 autoresearch 调到作者本人八成口味的复利写作技能,还有一个运营循环把每天早上四十分钟的对账活压成七分钟看标记。自托管版 Managed Agents 继续被人逐行拆解,看到底还有什么会离开内网。噪声比信号更响:一大波拿 Dario、Schmidt、Alexandr Wang 视频片段配仓库清单的复制粘贴帖,加上 Karpathy 仓库合集和一张提示词卡造三十个 agent 的说法,一条没收。
💡#1
@RRRangle
https://x.com/RRRangle/status/2122034454470574365
RRRangle 整理了 HumanLayer CTO Kyle Mistele 在 AI Engineer World's Fair 的演讲,这是本周最清楚的反面教材:一个四万行的 PR,六个审查 agent 盯着它,没有一个人类读得完。HumanLayer 的解法是把循环当恒温器而不是死循环:大约 150 个老流程,每次只跑一个,一天只跑一次,只要还有一个 PR 没合,循环就拒绝启动,再加一个 agent 没法静音的确定性传感器。第一版直接被关掉了,因为纠正它的产出比它省下的活还多。最值得抄的是最后三条:每次重试都要有理由,每次尝试都要带新证据,预算放在模型外面。
💡#2
@developermarker
https://x.com/developermarker/status/2121862266295554157
developermarker 花了五天、大约四千美元 token,用 autoresearch 去优化 TactiCall 的战术执行引擎,这是一款用语音指挥的足球游戏,轮流用 Claude Opus、Fable 5.2 和 GPT Astra。全队压迫从 48 次成功 23 次涨到 41 次,多步指令从 96 条成功 44 条涨到 65 条。换成更大的测试,468 条韩英中三语语音指令、四个随机种子,按时准确执行的有 80.5%,但最终做对动作的有 97.3%。这个差距就是结论:AI 基本知道该做什么,卡住的是什么时候做。一旦有人把时机单独拆成一个指标,循环就有东西可以往上爬了。
💡#3
@igasemut
https://x.com/igasemut/status/2121569848153243802
igasemut 转述了一份清点:36,487 个号称有自主循环的仓库里,真正在跑循环的只有 217 个,占 0.59%;其中有验证器的 76 个,有停止规则的 55 个,记录成本的只有 10 个。结论很扎心,大多数 agent 循环其实就是一个绑了你信用卡的定时任务。触发器不等于 harness,一个没有验证器、没有预算的循环,自动化的是烧 token,不是干活。
💡#4
@OxEnsooo
https://x.com/OxEnsooo/status/2121994105894969497
OxEnsooo 基于同一份仓库清点写了一份实地报告,浓缩成一句话:模型说做完了,harness 说了算。有意思的是测试设计,连跑四个晚上,分别放进真实的 Claude、一个作弊者、一个摸鱼者,外加一个永远不会失败的检查,全部被一个 90 行的运行器抓出来。大多数循环从来不检查自己的产出,这是一个可以直接照抄的小答案。
💡#5
@javibuildz
https://x.com/javibuildz/status/2122005954652938335
javibuildz 拎出了一个每个做自我改进 agent 的人都该贴在显示器上的数字:用分数涨了就留下这道门,被留下的更新里有 45.59% 其实比原来更差;换成统计检验的门之后,降到 2.78%。微调也是同一个坑,一次评测跑高了只是噪声,不是进步。问任何一个循环都该先问这句:一个更新要过什么线才能上线。
💡#6
@nyxienyxie
https://x.com/nyxienyxie/status/2122039893039730996
nyxienyxie 把 11 月 12 日开放私测的自托管版 Claude Managed Agents 读成了一个零数据留存的故事:现在由你自己跑服务器,里面是 agent 循环、会话和历史,用 Postgres 存,再加上在你沙箱里跑 bash 和文件工具的 worker。设计细节比标题更值得看。服务器从不主动连 worker,是 worker 来轮询;没有 worker 在线时模型照样往下跑,第一次工具调用只是等着,不报错;不配数据库的话,会话只存在内存里,一重启就没了。不变的是每次模型调用都带着整段对话,所以自托管把对话记录搬到了你这边,保护它的活也一起搬过来了。
💡#7
@danshipper
https://x.com/danshipper/status/2122091033001337134
danshipper 说 Every 最近一直在折腾复利型技能,也就是越用越好的 skill,同事终于把它做通了。一个周末,一个用来写上下文窗口摘要的技能被 autoresearch 反复迭代,直到在和不用技能的基线对比时,达到作者本人八成的口味。这是把 autoresearch 对准品味而不是基准分,前提是有人先把什么叫好写下来。
💡#8
@satnam6502
https://x.com/satnam6502/status/2121914402899169683
satnam6502 预告了一场剑桥讲座,压轴例子是一个 JSON 扫描电路:从规格出发,经过一步步被证明正确的变换推导出来,整个过程跑在一个把综合和形式化验证绑在一起的 agent 循环里。产物在构造上就是正确的,还附带 AI 对它如何对应规格的解释,而不是一个黑盒。这是本周验证器论最硬的版本:当检查是一份机器验证过的证明,循环就没法靠嘴说完成。
💡#9
@kwinkich
https://x.com/kwinkich/status/2122027084432207928
kwinkich 从数学那边说了同一件事:让一个围绕猜想的多 agent 循环变得可检验的,是 Lean 形式化。人定归约和最终结构,agent 负责界、反例和推广到不平衡情形。这种分工能推广到别的猜想,前提只有一个:产出必须通过机器验证的证明,而不是停在一篇看起来说得通的文章。
💡#10
@sunny_b11
https://x.com/sunny_b11/status/2121598676028227790
sunny_b11 用开源的 Herdr 终端复用器在一个终端里跑六个 agent:一个 Claude Code 当总调度,把活拆成几条车道;第二个 Claude Code 挂在另一个账号上;Codex 是第三条施工线;Devin 审 PR;Grok 做调研。各个 agent 通过 Herdr 的 API 互相交接、互相等待,合上笔记本会话也不断,每个 agent 都把自己干了什么写进一个共享的 Obsidian 大脑仓库。保持不乱的规矩只有一条:每个 agent 一条明确的车道,不允许两个 agent 碰同一样东西。第六个位置原本是跑 Gemini 的 Antigravity,已经被撤下来两次;作者引用 Theo 对 Gemini 4 Carbon 的实测,首字延迟超过 11 秒、缓存大约三成读不中,意思是在一个几十步的循环里,延迟是会复利的。
💡#11
@popcoornft
https://x.com/popcoornft/status/2121866366672097687
popcoornft 报了一个不起眼的运营胜利:一个小型多 agent 循环现在每晚自己把当天的理赔异常处理完。原来每天早上要人工对 40 分钟,现在只花 7 分钟看它解决不了、标出来的那几条。真正关键的是最后一句:转变在于敢让常规路径自己跑,不在旁边盯着。HumanLayer 从反方向学到的也是这件事。
💡#12
@OwariDa
https://x.com/OwariDa/status/2122056172694114785
OwariDa 拿 Terminal-Bench 2.0 的数据回怼了 Claude Code 的 harness 才是秘方这种说法。用 Opus 4.6 时,Claude Code 得 58.0%,十个参赛里垫底;只会往 tmux 里敲键盘的 Terminus 2 拿 62.9%。用 Sonnet 4.5 时,大约 100 行的 mini-swe-agent 以 42.5 比 40.1 赢过 Claude Code。反过来固定 harness 换模型,Terminus 2 随着 Opus 版本从 38.0 一路涨到 62.9。结论是循环本身是便宜的水管活,涨分来自神经网络,正好可以拿来对冲本周那一堆 harness 决定一切的帖子。
💡#13
@donaldgorbachev
https://x.com/donaldgorbachev/status/2121760377142657123
donaldgorbachev 用 agent 循环的语言讲清了量化问题:每一轮 1.5% 的漂移,在两轮对话里看不出来,放到 50 步的任务轨迹里就是致命的,0.985 的 50 次方只剩 47% 的存活率。作者举的那个本地 MoE 量化模型卡,恰恰把 36 层线性注意力投影、路由器和多 token 预测头都留在 FP8 或 BF16,因为压到 4 位会把状态追踪搞坏。静态困惑度和单轮问答测不出 agent 怎么出错,想用本地模型跑循环的人,应该拿长轨迹去测,而不是拿聊天。
💡#14
@kifsy18
https://x.com/kifsy18/status/2121590113797029922
kifsy18 抛了一个能省下大量 token 的观点:大多数把自主 agent 挂在定时任务上的人,其实只需要一个 100 行的 Python 脚本加 SQLite,甚至一个 markdown 文件就够。每三分钟跑一次完整的有状态 agent 循环,只为了看有没有新数据,烧掉十倍的 token,什么也没换来。先上确定性代码,模型只放在最后一公里。
💡#15
@vaibhavbalkundi
https://x.com/vaibhavbalkundi/status/2122033403449286682
vaibhavbalkundi 给便宜模型的狂欢泼了盆冷水:输入是便宜的那部分,但循环在输出上照样每百万 token 付 50 美分,外加每一次重试和工具调用。便宜的输入,多半只是让一个马虎的 agent 循环五次,而不是想清楚一次。决定一个循环便不便宜的,是每完成一个任务的成本,不是输入 token 的单价。
💡#16
@Masof_sol
https://x.com/Masof_sol/status/2122049958186725801
Masof_sol 讲了整条信息流里最简单的调试升级:给每个任务配一个裁判,也就是测试加类型检查,让 agent 一直循环到全绿。然后只看还红着的部分,不看整个 diff。这是验证器原则落到一个开发者一下午的尺度上。
💡#17
@gubatron
https://x.com/gubatron/status/2121993254338257218
gubatron 每小时跑一次 agent 循环,自动修 FrostWire 的问题,说每天醒来看它的产出是最爽的事。只有一句话,但一个在长期维护的开源应用上每小时自动修复的循环,恰恰就是那份仓库清点里说几乎没人真正上线的那种:小、有边界、触发确定。
💡#18
@NHIDClinical
https://x.com/NHIDClinical/status/2121871364864844011
NHIDClinical 回应了 Vapi 刚推出的 Agent Loop,也就是语音 agent 朝着解决率这类目标自己测试、自己上线修复,并补了一条做优化的人容易忘的规则:不管循环调什么,告知身份这件事都不应该是一个旋钮。在作者的临床场景里,身份告知检查是每一轮的及格或不及格,不是可以拿去交换的分数。自我改进的循环,需要有些约束完全放在目标函数之外。
💡#19
@genneelcool
https://x.com/genneelcool/status/2122025523819770315
genneelcool 把 Karpathy 的 autoresearch 归结成让它保持诚实的那条规矩:agent 只能改一个文件,指标放在另一个它不许碰的文件里。不许挪球门。大多数抄坏了的循环,恰恰坏在这里,让 agent 摸到了评分器。
💡#20
@venkatGoku
https://x.com/venkatGoku/status/2121825158860288481
venkatGoku 同时在 GPT Astra 上跑 Karpathy 的 autoresearch 和把 Codex 当自动研究员用,结论是榨不出油了:这些系统一直困在你给它的思路框架里。就像用一个更聪明的大脑去执行你的笨指令,而不是质疑方向本身。作者下一步要试一套能挑战任务书本身的设置,这是探索问题由一线使用者而不是论文说出来的版本。
💡#21
@franklyteddy
https://x.com/franklyteddy/status/2121865204854383052
franklyteddy 给贪心循环卡住的问题提了一个具体解法:把架构当作搜索单位,给架构家族套一层分类,然后每次只在一个家族内部贪心地跑 autoresearch。家族之间做探索、家族内部做利用,贪心搜索就不用自己从局部最优里往外爬。
💡#22
@fcesco
https://x.com/fcesco/status/2122077289944867277
fcesco 用分支切割式的方法跑 autoresearch,在 okc 排行榜上冲到第 8 名,给这套做法起名叫 ultraresearch。从整数规划里借来分支切割,是本周少数几个具体回答了循环该怎么剪枝和回溯、而不是只保留上一次最高分的做法。
💡#23
@ReduxAbsurdum
https://x.com/ReduxAbsurdum/status/2121845316177846645
ReduxAbsurdum 从量化交易一线反馈,5.5 在自动研究上进展明显,而且在公司自己积累不多的领域里表现反而更好。交易天然带一点可验证性,这也是为什么它总是成为这类循环最先见到回报的领域。
💡#24
@nisalrenuja
https://x.com/nisalrenuja/status/2122052264047394988
nisalrenuja 发现,调好的 BM25 加一个强 agent 循环,在深度研究基准上能追平稠密检索,所以做工具搜索可能根本不需要嵌入模型。同样的检索器配一个弱模型,就全垮了。检索器的上限取决于调用它的大脑,说明扛起结果的是循环,不是索引。
💡#25
@Shadyshandilya
https://x.com/Shadyshandilya/status/2121933432125268164
Shadyshandilya 最后还是自己搭了 agent 之间的消息传递,并主张 agent 循环应该把控制面和数据面分开,让路由和检查发生在昂贵的模型调用发出去之前。试过 Unix socket,能用但别扭。这和做持久化执行那批人的直觉一致:编排要便宜、要确定,模型只花在需要判断的地方。
💡#26
@getdarshan
https://x.com/getdarshan/status/2121770533406769599
getdarshan 给递归自我改进这个说法定了一道门槛:等模型能把多样性定义清楚、量化出来、并且拿它当指标去优化,才算数。在那之前,几乎每个 autoresearch 和 harness 实验室拿出来的那种越来越平的曲线,就是现在能做到的最好水平。一句话重述了探索问题,也是检验下一个 RSI 说法的好标尺。
💡#27
@apurvag16
https://x.com/apurvag16/status/2121982829899002136
apurvag16 认为自动研究的长板是真实场景、真实用户的任务,而这恰恰很难模拟;一个从不接触现实的循环,会不断累积虚假的精确。作者的主张是让循环围绕整个经济闭合,而不是关在单个实验室里,这样反馈来自真实世界,而不是一个无菌的基准。
📡 生态产品雷达
生态产品雷达
Karpathy 的 autoresearch:仍然是参照系,从 TactiCall 的战术引擎、Every 的写作技能,到讲解保留或回滚的帖子和刷屏的仓库清单。
Claude Code:大多数循环默认跑在里面的 harness,也是本周 harness 和模型谁更重要那场争论的主角。
Claude Managed Agents(自托管):把 agent 循环、会话和沙箱搬进你自己云上的私测版本,被人逐条拆解到底还有什么会离开内网。
Fable 5.2:本周大家把循环和 agent 团队对准的模型。
Gemini 4 Carbon:反面案例,被拿来说首字延迟和缓存不命中会在 agent 每一步上复利。
← 上一篇
超级用户日报: 2026-11-16
下一篇 →
灵感雷达: 2026-11-16
← 返回所有文章

评论

加载中...
>_