Loop 日报: 2026-11-17
这个周末最便宜的一次循环提速,来自修一个 bug,不是换一个更聪明的模型。一个做代码搜索的团队不再裁剪旧的工具结果,提示词缓存重新命中,每个回答的平均轮数直接砍半。同一个道理从好几个方向冒出来:Terminal-Bench 上同一个模型换个 harness 就能差七个点;一份自我改进 agent 论文清单,大部分论文抓到的是 agent 越来越会考试、而不是越来越会干活;还有一个速通基准,agent 每次尝试只拿到一个分数,照样学会了通关。研究型循环也多了新的记分牌:一个用二十个问题测 LLM 怎么一步步摸到想法的游戏,以及一位赞助人看完整数乘法仓库后,打算出钱办开放的 auto-research 竞赛。代码之外,有人把睡眠传感器、DuckDB 和 Claude Code 接成一个循环,评分靠床头一个三键小板。声音最大的仍是复制粘贴帖:Dario、Schmidt、Alexandr Wang 的视频片段叠在 Karpathy 仓库清单上,再加一张提示词卡造三十个 agent 的说法和 AdaL 的回复农场,一条没收。
#1
@clarveloai
https://x.com/clarveloai/status/2122314133034897912
clarveloai 发现自家的代码搜索 agent 一直在为自己的整洁买单。harness 每一轮都会把旧的工具结果缩短来省空间,结果每次请求的开头都变了,服务商的提示词缓存根本复用不上;模型还会丢掉已经看过的结果,于是再搜一遍。修法很无聊:每次请求只在上一次后面追加。平均轮数从 5.2 掉到 2.6,最慢的一次从 40 轮变成 5 轮。你的循环要是会改自己的历史,先查缓存命中率,再去怪模型。
https://x.com/clarveloai/status/2122314133034897912
clarveloai 发现自家的代码搜索 agent 一直在为自己的整洁买单。harness 每一轮都会把旧的工具结果缩短来省空间,结果每次请求的开头都变了,服务商的提示词缓存根本复用不上;模型还会丢掉已经看过的结果,于是再搜一遍。修法很无聊:每次请求只在上一次后面追加。平均轮数从 5.2 掉到 2.6,最慢的一次从 40 轮变成 5 轮。你的循环要是会改自己的历史,先查缓存命中率,再去怪模型。
#2
@stretchcloud
https://x.com/stretchcloud/status/2122174822046187639
stretchcloud 把 Terminal-Bench 4.0 那组让模型排行榜很尴尬的数字摆了出来:同一个 Opus 5.5 开到最高档,放在 Claude Code 全套工具里拿 64.85%,每个任务 14.30 美元;放进 Unharnessed,也就是只剩一个常驻 Python REPL 的极简外壳,拿 71.2%,每个任务 12.19 美元。公开榜上同一个模型,换谁的 harness 跑,分数在 61.8% 到 70.6% 之间晃。作者的回应是做了 Campfire:把 Claude Code、Codex、Goose、Aider、OpenHands 等放在同一任务、同一模型、各自隔离的 git worktree 里并排跑,再配一个成本面板。工具更少、分更高、账单更低,说白了循环就是一堆设计决定,这些决定该在你自己的仓库上测。
https://x.com/stretchcloud/status/2122174822046187639
stretchcloud 把 Terminal-Bench 4.0 那组让模型排行榜很尴尬的数字摆了出来:同一个 Opus 5.5 开到最高档,放在 Claude Code 全套工具里拿 64.85%,每个任务 14.30 美元;放进 Unharnessed,也就是只剩一个常驻 Python REPL 的极简外壳,拿 71.2%,每个任务 12.19 美元。公开榜上同一个模型,换谁的 harness 跑,分数在 61.8% 到 70.6% 之间晃。作者的回应是做了 Campfire:把 Claude Code、Codex、Goose、Aider、OpenHands 等放在同一任务、同一模型、各自隔离的 git worktree 里并排跑,再配一个成本面板。工具更少、分更高、账单更低,说白了循环就是一堆设计决定,这些决定该在你自己的仓库上测。
#3
@TheTuringPost
https://x.com/TheTuringPost/status/2122333725786620408
TheTuringPost 把一周的自我改进 agent 论文按一个关键问题排了序:agent 学会的是任务,还是评分器?有一篇显示,给具身编程 agent 看到成功标准,分数会涨,真实的任务完成率却不动;另一篇发现,只进化 harness、不改权重,也能把基准分抬上去,但收益不稳定、很贵、换个场景就不灵。有建设性的几篇,把写出改动和上线改动分开,任何自己生成的更新都得先过一轮新的配对审计和非劣效检验;Harness^2 则只保留在没有标准答案的新任务上确实有帮助的改动。结尾那个问题,跑这类循环的人都该先回答:哪些改动留下来,谁说了算。
https://x.com/TheTuringPost/status/2122333725786620408
TheTuringPost 把一周的自我改进 agent 论文按一个关键问题排了序:agent 学会的是任务,还是评分器?有一篇显示,给具身编程 agent 看到成功标准,分数会涨,真实的任务完成率却不动;另一篇发现,只进化 harness、不改权重,也能把基准分抬上去,但收益不稳定、很贵、换个场景就不灵。有建设性的几篇,把写出改动和上线改动分开,任何自己生成的更新都得先过一轮新的配对审计和非劣效检验;Harness^2 则只保留在没有标准答案的新任务上确实有帮助的改动。结尾那个问题,跑这类循环的人都该先回答:哪些改动留下来,谁说了算。
#4
@VarunGangal
https://x.com/VarunGangal/status/2122176290757476441
VarunGangal 和合作者用 SpeedRunBench 测了 Thinking Machines 的 Inkling-2-Small:agent 反复玩 SuperTux 的同一关,每次尝试结束只拿到一个分数,靠这个分数在线下改进自己的策略。Inkling-2-Small 用 1,988 帧通关 1-1,开源模型里只输给 GLM 5.3 的 1,961 帧,排在 Gemini 3.7 Flash、GPT-5.6-sol、Claude Opus 5 和 DeepSeek-V4-Flash 前面;它的上一代压根没通过这一关。人类世界纪录是 1,619 帧,差距还在。真正有意思的是设计:回合中途不许更新,也不看画面,所以测的是只有稀疏分数时的规划和探索能力,跟一次 autoresearch 运行是同一个形状。
https://x.com/VarunGangal/status/2122176290757476441
VarunGangal 和合作者用 SpeedRunBench 测了 Thinking Machines 的 Inkling-2-Small:agent 反复玩 SuperTux 的同一关,每次尝试结束只拿到一个分数,靠这个分数在线下改进自己的策略。Inkling-2-Small 用 1,988 帧通关 1-1,开源模型里只输给 GLM 5.3 的 1,961 帧,排在 Gemini 3.7 Flash、GPT-5.6-sol、Claude Opus 5 和 DeepSeek-V4-Flash 前面;它的上一代压根没通过这一关。人类世界纪录是 1,619 帧,差距还在。真正有意思的是设计:回合中途不许更新,也不看画面,所以测的是只有稀疏分数时的规划和探索能力,跟一次 autoresearch 运行是同一个形状。
#5
@muhan_gao
https://x.com/muhan_gao/status/2122437641576595577
muhan_gao 推出了 Re-Search,把 LLM 想点子这件事变成二十问游戏:模型只能问是或不是的问题,一步步把一篇已发表论文的核心想法重新找出来。出发点是,从 Erdős 问题到号称的 Navier-Stokes 证明,我们看到的永远只是 AI 研究的成品,看不到它是怎么一路搜过去的。把每一步想法搜索都变得可观察,就能量出 autoresearch 循环到底卡在哪,而不是对着最终论文去猜。对做研究型循环的人来说,这是给平时没人记录的那一段装了个记分牌。
https://x.com/muhan_gao/status/2122437641576595577
muhan_gao 推出了 Re-Search,把 LLM 想点子这件事变成二十问游戏:模型只能问是或不是的问题,一步步把一篇已发表论文的核心想法重新找出来。出发点是,从 Erdős 问题到号称的 Navier-Stokes 证明,我们看到的永远只是 AI 研究的成品,看不到它是怎么一路搜过去的。把每一步想法搜索都变得可观察,就能量出 autoresearch 循环到底卡在哪,而不是对着最终论文去猜。对做研究型循环的人来说,这是给平时没人记录的那一段装了个记分牌。
#6
@RohanArun
https://x.com/RohanArun/status/2122352241004728823
RohanArun 想把最近那个整数乘法仓库的玩法,也就是 auto-research agent 一轮轮刷新纪录,做成有真金白银奖金的开放竞赛,作者愿意自己出奖金,再拉更多赞助人进来。灵感来自一位算法课教授,每节课都搭一个后端,让学生的算法互相厮杀。提出的题目都很具体:优化特定尺寸的矩阵乘法,立刻能让全球系统提速;比赛谁先把 SQLite 或 TLS 这类关键基础设施做形式化验证;再就是优化 SAT/SMT 求解器,而它反过来又加速形式化验证。auto-research 缺的是定义清楚的记分牌,而奖金是让人去搭记分牌最快的办法。
https://x.com/RohanArun/status/2122352241004728823
RohanArun 想把最近那个整数乘法仓库的玩法,也就是 auto-research agent 一轮轮刷新纪录,做成有真金白银奖金的开放竞赛,作者愿意自己出奖金,再拉更多赞助人进来。灵感来自一位算法课教授,每节课都搭一个后端,让学生的算法互相厮杀。提出的题目都很具体:优化特定尺寸的矩阵乘法,立刻能让全球系统提速;比赛谁先把 SQLite 或 TLS 这类关键基础设施做形式化验证;再就是优化 SAT/SMT 求解器,而它反过来又加速形式化验证。auto-research 缺的是定义清楚的记分牌,而奖金是让人去搭记分牌最快的办法。
#7
@mmatthias
https://x.com/mmatthias/status/2122356501251498291
mmatthias 构思了一个跟代码毫无关系的循环:把睡眠传感器的数据全部存成 Parquet,用 DuckDB 分析,再通过一个 MCP 服务接给 Claude Code,让 autoresearch 循环拿睡眠环境做实验,最后用一个三键小板,每天早上把前一晚评成很好、还行、很差。三键小板是最聪明的部分,它给循环提供了一个人类指标,每天只花两秒钟。作者自己也说,前期工作量很大,之后指望循环接手大部分。任何每天能廉价打分的个人习惯,都能做成这种循环。
https://x.com/mmatthias/status/2122356501251498291
mmatthias 构思了一个跟代码毫无关系的循环:把睡眠传感器的数据全部存成 Parquet,用 DuckDB 分析,再通过一个 MCP 服务接给 Claude Code,让 autoresearch 循环拿睡眠环境做实验,最后用一个三键小板,每天早上把前一晚评成很好、还行、很差。三键小板是最聪明的部分,它给循环提供了一个人类指标,每天只花两秒钟。作者自己也说,前期工作量很大,之后指望循环接手大部分。任何每天能廉价打分的个人习惯,都能做成这种循环。
#8
@michielmv
https://x.com/michielmv/status/2122433779436523976
michielmv 把 Claude Managed Agents 接进了 boxd,用的是 Anthropic 仍在测试阶段的自托管环境:模型和 agent 循环由 Anthropic 托管,但每一次 bash、read、write、edit、glob、grep 调用都在你自己的机器上执行。每个会话一台独立的机器,有自己的内核、root 和磁盘;机器上的 worker 通过出站 HTTPS 长轮询 Anthropic 的任务队列,所以不用开任何端口;两轮之间机器进入待机,不到一毫秒就能恢复,文件和进程跟上一轮结束时一模一样。大脑托管、工具跑在自己掌控的机器上,这种拆法正在成为 agent 循环该跑在哪的默认答案。
https://x.com/michielmv/status/2122433779436523976
michielmv 把 Claude Managed Agents 接进了 boxd,用的是 Anthropic 仍在测试阶段的自托管环境:模型和 agent 循环由 Anthropic 托管,但每一次 bash、read、write、edit、glob、grep 调用都在你自己的机器上执行。每个会话一台独立的机器,有自己的内核、root 和磁盘;机器上的 worker 通过出站 HTTPS 长轮询 Anthropic 的任务队列,所以不用开任何端口;两轮之间机器进入待机,不到一毫秒就能恢复,文件和进程跟上一轮结束时一模一样。大脑托管、工具跑在自己掌控的机器上,这种拆法正在成为 agent 循环该跑在哪的默认答案。
#9
@Haoquan03
https://x.com/Haoquan03/status/2122365279720382711
Haoquan03 看完这一轮会议里 AI 写的审稿意见,认为品味才是 auto research 真正的瓶颈:模型在执行层面的差距越来越小,但它们仍然分不清一个好想法和一个只是看起来说得通的想法。人类写的论文和审稿意见,看起来是训练品味最自然的数据,可越多人用 AI 想点子、写论文、写审稿,干净的人类数据就越少。作者担心的是品味死锁:判断研究好坏的数据被稀释了,前沿模型在这件事上就再也进步不了。这是对只要循环跑得够多就能出好科学这种想法的一记有力反驳。
https://x.com/Haoquan03/status/2122365279720382711
Haoquan03 看完这一轮会议里 AI 写的审稿意见,认为品味才是 auto research 真正的瓶颈:模型在执行层面的差距越来越小,但它们仍然分不清一个好想法和一个只是看起来说得通的想法。人类写的论文和审稿意见,看起来是训练品味最自然的数据,可越多人用 AI 想点子、写论文、写审稿,干净的人类数据就越少。作者担心的是品味死锁:判断研究好坏的数据被稀释了,前沿模型在这件事上就再也进步不了。这是对只要循环跑得够多就能出好科学这种想法的一记有力反驳。
#10
@rdominguezibar
https://x.com/rdominguezibar/status/2122374422174838813
rdominguezibar 引用了 Alexandr Wang 在 2026 年 Startup School 上对 Garry Tan 说的话:在 Meta 内部,只要有对的 agentic loop,再配上一套有可优化指标的评估体系,一群 agent 干的活很轻松就超过一百个工程师的团队。去掉炒作,这个说法有两根承重柱,一个是循环,一个是指标,难的是第二个。你给 agent 什么数字,它就追什么数字,所以对创始人来说,稀缺的能力变成写出一个刷不了的指标。同一段视频整个周末都在复制粘贴帖里被反复转,这一条是真正把言下之意说清楚的版本。
https://x.com/rdominguezibar/status/2122374422174838813
rdominguezibar 引用了 Alexandr Wang 在 2026 年 Startup School 上对 Garry Tan 说的话:在 Meta 内部,只要有对的 agentic loop,再配上一套有可优化指标的评估体系,一群 agent 干的活很轻松就超过一百个工程师的团队。去掉炒作,这个说法有两根承重柱,一个是循环,一个是指标,难的是第二个。你给 agent 什么数字,它就追什么数字,所以对创始人来说,稀缺的能力变成写出一个刷不了的指标。同一段视频整个周末都在复制粘贴帖里被反复转,这一条是真正把言下之意说清楚的版本。
#11
@spencer_clark
https://x.com/spencer_clark/status/2122276099405103539
spencer_clark 给一个真正会动手的 agent 搭了一套评测 harness,出发点是大多数 agent 评测跳过的那一点:只检查最后的回复远远不够。这套 harness 要核对三样东西:执行后的系统状态,agent 一路调用了哪些工具,以及它在过程中有没有守规矩。大多数人当成一个答案来打分的东西,这里拆成了三道检查。对任何会往真实系统里写东西的循环,状态检查才是能抓住那种自信满满的错误答案的一道。
https://x.com/spencer_clark/status/2122276099405103539
spencer_clark 给一个真正会动手的 agent 搭了一套评测 harness,出发点是大多数 agent 评测跳过的那一点:只检查最后的回复远远不够。这套 harness 要核对三样东西:执行后的系统状态,agent 一路调用了哪些工具,以及它在过程中有没有守规矩。大多数人当成一个答案来打分的东西,这里拆成了三道检查。对任何会往真实系统里写东西的循环,状态检查才是能抓住那种自信满满的错误答案的一道。
#12
@Rafa_Schwinger
https://x.com/Rafa_Schwinger/status/2122165922576338950
Rafa_Schwinger 给了一个对付模型不熟的工具的实用招数:搭一个结果可验证的 autoresearch 环境,让它跑一整天,它自己就能摸出几个窍门。同一位作者还建议 Z.ai 用同样的循环去抓 zcode harness 的毛病,就是内存一路涨到爆掉的那个。共同的思路是,只要结果能检查,循环就是学会一个陌生工具、或者揪出一个出问题的 harness 的便宜办法。一天的算力,顶一周的看文档。
https://x.com/Rafa_Schwinger/status/2122165922576338950
Rafa_Schwinger 给了一个对付模型不熟的工具的实用招数:搭一个结果可验证的 autoresearch 环境,让它跑一整天,它自己就能摸出几个窍门。同一位作者还建议 Z.ai 用同样的循环去抓 zcode harness 的毛病,就是内存一路涨到爆掉的那个。共同的思路是,只要结果能检查,循环就是学会一个陌生工具、或者揪出一个出问题的 harness 的便宜办法。一天的算力,顶一周的看文档。
#13
@framebufferobj_
https://x.com/framebufferobj_/status/2122265971859898683
framebufferobj_ 把 Antigravity 的 hooks 和各种功能全拆掉,只剩一个裸的 agentic loop,结果发现行为变了:agent 先把需要的文件全读一遍,然后一口气批量改一堆,像是计划和执行在同一趟里完成。工具少了、脚手架少了,模型就退回到先全读、再动手的模式。这只是一个人的观察,但跟本周 Terminal-Bench 上精简 harness 打赢全套 harness 的结果对得上。有时候跑得最快的循环,是家具最少的那个。
https://x.com/framebufferobj_/status/2122265971859898683
framebufferobj_ 把 Antigravity 的 hooks 和各种功能全拆掉,只剩一个裸的 agentic loop,结果发现行为变了:agent 先把需要的文件全读一遍,然后一口气批量改一堆,像是计划和执行在同一趟里完成。工具少了、脚手架少了,模型就退回到先全读、再动手的模式。这只是一个人的观察,但跟本周 Terminal-Bench 上精简 harness 打赢全套 harness 的结果对得上。有时候跑得最快的循环,是家具最少的那个。
#14
@plainsupport
https://x.com/plainsupport/status/2122440245170061604
plainsupport 上线了 Customer Agent v3.3,现在以 agentic loop 的方式运行,速度快了大约一半,每个回答约六秒。值得抄的是哪些东西被钉死:安全规则和 AI 身份告知是锁定的,其余一切由客户自己的指令决定。这跟前几天一个医疗语音团队主张的原则一样,身份告知是一道及格或不及格的检查,不是循环可以调的旋钮。面向客户的循环,正在收敛成几条不可商量的底线,加上其余全部可配置。
https://x.com/plainsupport/status/2122440245170061604
plainsupport 上线了 Customer Agent v3.3,现在以 agentic loop 的方式运行,速度快了大约一半,每个回答约六秒。值得抄的是哪些东西被钉死:安全规则和 AI 身份告知是锁定的,其余一切由客户自己的指令决定。这跟前几天一个医疗语音团队主张的原则一样,身份告知是一道及格或不及格的检查,不是循环可以调的旋钮。面向客户的循环,正在收敛成几条不可商量的底线,加上其余全部可配置。
#15
@SystemArch_AI
https://x.com/SystemArch_AI/status/2122434535237283964
SystemArch_AI 点名了本周最不起眼的一个 agent 相关发布:Cloudflare 给 Workers 和 Durable Objects 加了可选的花费上限。对在 serverless 上跑客户业务的代理公司来说,以前一个失控的 agent 循环,意味着一张难看的账单和一通尴尬的客户电话;现在上限会在事情发生前就把它掐住。预算放在模型之外,这正是它该在的地方。正是这些无聊的成本控制,才让自主循环卖得出去。
https://x.com/SystemArch_AI/status/2122434535237283964
SystemArch_AI 点名了本周最不起眼的一个 agent 相关发布:Cloudflare 给 Workers 和 Durable Objects 加了可选的花费上限。对在 serverless 上跑客户业务的代理公司来说,以前一个失控的 agent 循环,意味着一张难看的账单和一通尴尬的客户电话;现在上限会在事情发生前就把它掐住。预算放在模型之外,这正是它该在的地方。正是这些无聊的成本控制,才让自主循环卖得出去。
#16
@rakyll
https://x.com/rakyll/status/2122192768344973660
rakyll 在 Google 做 agent 基础设施,作者的说法是,agentic loop 越来越像一个作业控制器循环:难点在于能不能足够快地分配资源、启动任务,这就把 agent 变成了一个调度问题。这条帖子顺便也是在招人,找想解决这件事的人。这个视角很有用,因为一旦每一轮都要拉起沙箱和工具,延迟和资源摆放就决定了你一小时能跑多少次迭代。大家嘴上说的循环是模型,真正上线的循环是调度器。
https://x.com/rakyll/status/2122192768344973660
rakyll 在 Google 做 agent 基础设施,作者的说法是,agentic loop 越来越像一个作业控制器循环:难点在于能不能足够快地分配资源、启动任务,这就把 agent 变成了一个调度问题。这条帖子顺便也是在招人,找想解决这件事的人。这个视角很有用,因为一旦每一轮都要拉起沙箱和工具,延迟和资源摆放就决定了你一小时能跑多少次迭代。大家嘴上说的循环是模型,真正上线的循环是调度器。
#17
@developermarker
https://x.com/developermarker/status/2122214434131317061
developermarker 在做 Tacticall,一款足球游戏,主教练用大白话下指令,球队照着执行,背后由 autoresearch 去调执行引擎。循环不是在给游戏写功能,而是在调语音指令如何变成球场上的动作,这个目标打分容易、手调起来又特别磨人。这是 autoresearch 在机器学习之外很合适的一个用法:只要参数空间大、又能很快判断一场比赛踢得好不好,就能用上。
https://x.com/developermarker/status/2122214434131317061
developermarker 在做 Tacticall,一款足球游戏,主教练用大白话下指令,球队照着执行,背后由 autoresearch 去调执行引擎。循环不是在给游戏写功能,而是在调语音指令如何变成球场上的动作,这个目标打分容易、手调起来又特别磨人。这是 autoresearch 在机器学习之外很合适的一个用法:只要参数空间大、又能很快判断一场比赛踢得好不好,就能用上。
#18
@RituWithAI
https://x.com/RituWithAI/status/2122228035432886777
RituWithAI 介绍了 Huy Tieu 做的 COG-second-brain,一个开源框架,把本地 Markdown 文件变成横跨 Claude Code、Cursor、Antigravity、Kiro 和 Gemini CLI 的 agent 工作区,带 43 个技能和 10 个工作 agent。跟循环相关的是它的验证 harness:干活的 agent 从不给自己的作业打分,由单独的只读验证者对照可证伪的验收标准去检查产出。它还把廉价的数据收集交给 Sonnet、推理交给 Opus,并内置了一个做产品调研的 /auto-research 流程。干活的和检查的分开,正在成为个人 agent 配置的默认做法。
https://x.com/RituWithAI/status/2122228035432886777
RituWithAI 介绍了 Huy Tieu 做的 COG-second-brain,一个开源框架,把本地 Markdown 文件变成横跨 Claude Code、Cursor、Antigravity、Kiro 和 Gemini CLI 的 agent 工作区,带 43 个技能和 10 个工作 agent。跟循环相关的是它的验证 harness:干活的 agent 从不给自己的作业打分,由单独的只读验证者对照可证伪的验收标准去检查产出。它还把廉价的数据收集交给 Sonnet、推理交给 Opus,并内置了一个做产品调研的 /auto-research 流程。干活的和检查的分开,正在成为个人 agent 配置的默认做法。
📡 生态产品雷达
生态产品雷达
Karpathy 的 autoresearch:人人都在讲的参考设计,一个可改文件、固定五分钟一轮、改好就留改坏就撤;也是这个周末被复制粘贴最多的链接。
Claude Code:个人循环的默认宿主,从通过 MCP 做睡眠实验到 Markdown 第二大脑都在用,也是 Terminal-Bench 对比里的一个 harness。
MCP:让循环够得着传感器、数据库和各种工具的胶水。
Karpathy 的 autoresearch:人人都在讲的参考设计,一个可改文件、固定五分钟一轮、改好就留改坏就撤;也是这个周末被复制粘贴最多的链接。
Claude Code:个人循环的默认宿主,从通过 MCP 做睡眠实验到 Markdown 第二大脑都在用,也是 Terminal-Bench 对比里的一个 harness。
MCP:让循环够得着传感器、数据库和各种工具的胶水。
评论