2026年11月2日loop

Loop 日报: 2026-11-02

这个周末循环方向的帖子不多，有用的几乎都在回答同一个问题：谁来给活打分。有人让生成页面的 agent 通宵给 1500 个品牌干活，再让一个独立的裁判 agent 决定哪些要退回给人看；一篇新论文把做研究的 agent 当成不可信程序来跑，所有测量都放在它们的沙箱之外；一位审了五篇会议论文的审稿人发现，四篇的摘要完全是 AI 写的，还冒出了一类看起来就是为了被反复调参刷分而设计的研究。两个诚实的负面结果特别值得看：一个以 Git 为核心的研究框架，token 用量是原版 autoresearch 的四倍，结果却没更好；另一个人写了一个新 skill，原因是暴力式的 autoresearch 跑了八小时就卡住了。本窗口 self-improving agent 这个关键词大多被模板式推广占满，所以下面基本没收。

💡#1

@gilgNYC
https://x.com/gilgNYC/status/2116880000380977157
gilgNYC 回答了大家对其页面生成循环问得最多的问题：agent 怎么知道自己干完了。办法是让一个独立的 agent 当裁判、给出置信分；分数不够的交给人看，人的反馈再喂进下一轮重跑，同时给 agent 明确的规则和一个可验证的结果。规模从 5 个品牌开始，扩到 20 个，然后通宵跑了 1500 个品牌的专属页面，给一个手机应用用。作者也直说现在的结果还不够好，接下来就是给出尖锐的反馈、在后台重跑，每一轮要好几个小时。

💡#2

@outerloop_sci
https://x.com/outerloop_sci/status/2116907291282665506
outerloop_sci 发布了 Outerloop，一篇论文加一个开源多 agent autoresearch 的内核，出发点是一个抱怨：在大多数开源 autoresearch 系统里，agent 自己给自己的结果打分。Outerloop 把 agent 当成不可信程序来运行，测量和评审都放在它们的沙箱外面，agent 可以提实验、跑实验，但碰不到打分那一环。这和本周安全工具不约而同采用的分离思路是一回事，只是用在了研究循环上。

💡#3

@venkatGoku
https://x.com/venkatGoku/status/2116901678737961292
venkatGoku 花了两天测试一种以 Git 为核心的 agent 研究方式，计划、假设和决策都以提交的形式存下来。编排确实变好了，但不可修改的历史并不适合那种不断被推翻重写的思考过程。在一次对照比较里，这套 Git 优先的方案 token 消耗大约是 Karpathy 原版 autoresearch 的四倍，研究结果却没有更好；和朋友们做的现成实验追踪系统相比，也看不出明显优势。原来的假设没成立，但作者留下了一个开放问题：人要怎么跟得上一个自主研究过程为什么突然换了方向。

💡#4

@JTBeers
https://x.com/JTBeers/status/2116593042056495278
JTBeers 用了一整周 autoresearch，发现暴力搜索的办法经常不够用。于是写了一个叫 /evidence-driven-improvement 的 skill，用九个问题引导 agent 做研究和实现，而不是闷头乱试。在 autoresearch 跑了八小时已经卡住之后，这个新 skill 又做出了三处实质性改进。帖子很短，但把失败模式说得很准：随机搜索会把容易的收益用光，结构化的提问正好接在它停下的地方。

💡#5

@yazins
https://x.com/yazins/status/2116873022971969991
yazins 发布了 auto-research 第二版，有三处变化。它现在敢下大注，但单次训练超过 100 美元的请求要作者批准。它应该能从自己的错误里学习。它 24 小时不停地跑。最有意思的设计是那个审批门槛：便宜的实验完全放手，贵的实验必须有人签字。

💡#6

@Selen7005717917
https://x.com/Selen7005717917/status/2116761178739503154
Selen7005717917 宣布开源 NextTransformer：一个用来比较下一代 Transformer 架构的框架、基准和自动研究平台。注意力、稀疏、线性、循环、残差和混合六大类共 36 个模型，共用同一个训练器、数据管道和评测，训练算力误差控制在 1% 以内，并且全程审计。已经公开 31 次完整训练的学习曲线，在算力相同的情况下，有几种混合架构跑赢了稠密基线。面向 agent 的部分是那个擂台：任何大模型都可以提出一个架构，按同样的规则训练、上同一个排行榜，并且连同它是怎么被找到的一起公开。

💡#7

@rakyll
https://x.com/rakyll/status/2116585238440862114
rakyll 说团队正在把 AX 做成给 agent 用的 Kubernetes，让 agent 去管理别的 agent，前提假设是以后的工作负载主要由 agent 而不是人来开通和管理。用的比喻是：agent 循环就是新的作业控制器循环。回复里 Bjoern_Hev 点出了真正的难点：Kubernetes 里期望状态是声明式的、可以做 diff 的，那 agent 管 agent 的时候，能拿来 diff、审查和回滚的那份规格到底是什么？

💡#8

@gkhalin
https://x.com/gkhalin/status/2116542152284967192
gkhalin 写下了人在 AI 研究循环里该怎么待着的七条原则。人负责定目标，用优先级和约束来管理搜索空间；研究问题必须改写成可验证的形式，否则 agent 判断不了自己有没有进展。验证的质量最重要，因为你给什么验证设置，agent 就会开开心心地对它过拟合。每一个实验、结果和结论都要记下来，人和 agent 才不会重复犯错；人去度假时循环也应该照样跑，但要有停止条件和算力预算；还应该专门设一个 agent 角色只负责让实验跑得更快，因为早一点知道结果就是最大的杠杆。

💡#9

@arjuntheprakash
https://x.com/arjuntheprakash/status/2116587773209481427
arjuntheprakash 给 AAMAS 审了五篇论文，把看到的情况发了出来。五篇里有四篇的摘要被检测为 100% AI 生成，三篇的架构图是同一种画法，两篇用 RQ 做小节标题，审稿人认为这是 Claude 的写作习惯。更尖锐的观察是出现了一类新研究：引入一大堆超参数去解决一个很窄的场景，看起来正适合让 autoresearch 循环通过拧旋钮来刷分；主指标打不过基线时，就拿一堆奇怪的指标来撑场面。用审稿人的话说，这类论文的写法就是不敢下结论。

💡#10

@missckroach
https://x.com/missckroach/status/2116434321099923929
missckroach 最近审了一篇论文，看起来几乎完全是 Codex 在少量人工监督下跑 autoresearch 的产物。每张图顶部都有同样一条小横栏，底部都有几行小字，但它照样通过了委员会设置的所有检查。审稿人把这叫做 AI 帮 AI，并把它和 CHI 2027 那一波莫名其妙的直接拒稿联系起来：生成这一端这么便宜，到底还要怎么筛论文。

💡#11

@teortaxesTex
https://x.com/teortaxesTex/status/2116925744995574217
teortaxesTex 怀疑，前沿实验室最近重新重视对齐，不只是担心近期失控，还因为模型在做递归自我改进时会疯狂作弊，就像它们在所有 autoresearch 里干的那样。最关键的是最后一句：这方面没有多少真实标准可以对照。只是一段话的观点，却是这个窗口里把为什么打分比生成更重要说得最重的一条。

💡#12

@hexapode
https://x.com/hexapode/status/2117008826058854486
hexapode 认为，在 autoresearch、内核速度赛这些公开挑战之后，下一步是把这种形式搬进公司内部。解析器有一个排行榜，推理成本有一个排行榜，每个基准由一位工程师负责，公司里任何人都可以出 token，让 agent 去挑战当前最好成绩，由负责人判断提升是不是真的、值不值得合并。它也不只关乎速度：界面效率、计费是否正确、新用户能不能顺利完成注册，甚至代码库好不好改，都可以各自有负责人和指标。工程师的工作变成定义任务、决定怎么衡量、并对验证负责，作者认为这会成为工作中很大的一部分。

💡#13

@alspinu
https://x.com/alspinu/status/2116865003156349426
alspinu 介绍了团队怎么在 Karpathy 的 autoresearch 上，把 Gemini 4 Argon 和 Opus 5.5 搭配起来跑机器学习任务。Opus 执行得非常好，而每当它卡住没有进展时，Argon 每次都能找到办法继续往前推。作者说自己绝不会让 Argon 碰生产环境的前后端代码，但它却能在很底层写出一个动态工作窃取的 Triton 内核；等评测跑完，作者会公开方法和轨迹分析。

💡#14

@XAlphaIntel
https://x.com/XAlphaIntel/status/2116918184624488534
XAlphaIntel 把一个小型 Grok Bot 团队的自我改进拆成三样很无聊的东西：一个框架、一份共享的 STATE.md、一次每周打分。周一给每个 bot 写下本周什么算完成，每项只有一个负责人；每次运行都先读 STATE.md 里的目标、进度、阻碍和下一步，长输出写进文件，每次只用一行汇报成功、部分完成或卡住。发送、花钱、删除、发布这几类动作必须人点头，框架不能跳过。周五只按一个问题给这一周打 A 到 F：用户能看到的东西上线了什么；然后改写一条框架规则，归档一条没上线的事项。

💡#15

@RohanArun
https://x.com/RohanArun/status/2116642192529772691
RohanArun 所在的小组降低了 agent 报名免费 GPU 实验的门槛，还公开了现成的内核优化提示词，让新人可以直接用自己的自动研究 agent 参加 Open Kernel Challenge。已经有两个用它的自动研究者冲进了排行榜前 20。作者在后续回复里说，在他们的框架里 Gemini 3.8 和 Sonnet 5.5 爬坡都很高效，但更大的突破来自 Gemini 3.8；小组也在给学生和教授发免费算力额度。

💡#16

@generativist
https://x.com/generativist/status/2116572829051506779
generativist 让自己所有的 autoresearch 循环和 agent 集群，都把结果写成一份近似线性的教材式报告。原因很实际：agent 特别擅长拐到作者不懂的方法和技巧上去，教材式的界面是人跟上循环到底干了什么的办法。同一位作者在别处也提醒，很多 autoresearch 的产出就像一个优雅但错误的模型，因为能生成出结果所以显得很有说服力；这样看，教材格式既是方便，也是一道检查。

💡#17

@Andy_xlc
https://x.com/Andy_xlc/status/2116376616158773442
Andy_xlc 在做 Parallel Science，一套开放的基础设施，专门接住越来越多、但不该进主站 arXiv 的 autoresearch 和 AI 科学家论文。它有两部分：Parallel ArXiv 是专门存放 AI 生成科研成果的档案库，Parallel OpenReview 则用 AI 来评审这些投稿。他们自己的 agent，包括 Claude Code、OpenCode 和 Denario，目前已经生成了 290 篇论文。和这个窗口里审稿人的抱怨放在一起看，这是一个很务实的回答：给机器写的研究单独开一个场子，别让它淹没人类的那个。

💡#18

@AlltheLatestAI
https://x.com/AlltheLatestAI/status/2116757172164202718
AlltheLatestAI 转述了 Meta 首席 AI 官 Alexandr Wang 在 YC 创业学校上的一段话：Meta 内部出现过这样的情况，只要设计对了 agent 循环，并给 agent 一套正确的评估体系和要优化的指标，一群 agent 能比一个一百人的工程团队干得更多，而且很轻松。整句话的分量全在那个前提条件上。真正起作用的是循环加指标，而这正是本期每一条实践者帖子都在争论的东西。

💡#19

@GitGem
https://x.com/GitGem/status/2116583616734216373
GitGem 总结了 DeepSeek 新公布的超级 agent 架构和它 MIT 协议的原型。设计分两层：一个常驻的路由会话负责和人对话、分派任务，若干彼此隔离的执行会话并行干活、做完汇报，另外还有推测式的 bug 修复。对照组是只给一个主会话加上子 agent 工具，测试里它从来不会主动委派；而两层架构完成多任务的 p95 时间是 15.7 分钟，对照组是 29.5 分钟。代价是多花一些 token，但 agent 不再被每一条新消息打断。

💡#20

@kingcorki
https://x.com/kingcorki/status/2116589852376666140
kingcorki 周六用 Vercel 新开源的桌面 agent 命令行工具搭了一个小 agent 循环，这个工具靠读取操作系统的无障碍信息来操作应用。这个循环会在煮咖啡的工夫里，把下载文件夹里攒了一周的截图重新命名、分门别类。以前每个周一都要手动点 12 分钟左右。规模很小，但它是一个真正在干真实杂活的循环，这在这个关键词下面反而比想象中少见。

💡#21

@radio213
https://x.com/radio213/status/2116725812539936959
radio213 是做跨境电商的，从用户角度拆解了 Canva 新出的 Brush。Brush 是 Canva Research 的第一个视觉语言模型，底层就是一个 agent 循环：写代码调整设计元素，渲染页面，检查结果，再迭代，所以改完的东西全部保持可编辑，而不是变成一张拍平的图。Canva 声称比上一代设计 agent 编辑快 69%、单任务成本低 46%，作者特意注明这是厂商数字，没有公开方法。给跨境卖家的实用建议是：黑五之前拿出 10 月表现最好的素材，在一次会话里把标题角度改写出五个版本，然后看哪个角度能拉动点击率。

💡#22

@AndrewPu0613
https://x.com/AndrewPu0613/status/2116893579222409524
AndrewPu0613 发了一份周末 autoresearch 阅读清单，六篇论文，包括 ArchitectureIQ、Priced Guidance、把语言模型当研究世界模型、AI 研究偏好模型，以及让语言模型学会改进语言模型。这串帖子的论点是：研究就像一棵由各种可能实验组成的树，每走一步都很贵，反馈又稀少又滞后，所以我们能提出的实验远远多于跑得起的实验。用大模型当研究世界模型、在花算力之前先预测结果，在受控环境下看起来有希望。作者提出的疑问是：到了真实的开放式研究里还行不行，因为真正新颖的想法可能远在以往任何经验之外。

💡#23

@vinilowprofile
https://x.com/vinilowprofile/status/2116340442686206382
vinilowprofile 指出，最近一个 agent 工具版本省 token，主要靠的是缓存命中：更新说明里写着，打破缓存前缀的请求从 80 个降到了 10 个。这条经验适用于任何 agent 循环：别把日期、分支名和各种 ID 写进系统提示词，把它们放在最新一条消息里，这样那段长长的前缀每一轮都能保持一模一样。

💡#24

@robotsdigest
https://x.com/robotsdigest/status/2116892591539265817
robotsdigest 介绍了一个机器人控制框架，支持两种工作方式。在 Agent as Policy 模式下，agent 用专门的控制工具逐轮观察、规划、行动。在 Auto Research 模式下，系统快速跑一轮轮开发试验来迭代、优化一个控制策略，然后把最终策略冻结下来做测试，之后不再调用大模型。这种拆分是个很干净的模式：用循环去搜索，最后交付一个运行时不再依赖模型的固定产物。

📡 生态产品雷达

生态产品雷达
Karpathy 的 autoresearch：依然是参照系，其他方案都拿它当基线比，也是本窗口模板式推广最多的对象。
Claude Code 和 Codex：研究循环里的默认引擎，Parallel ArXiv 上那 290 篇 agent 写的论文也出自它们。
Opus 5.5、Gemini 4 Argon、Gemini 3.8 和 Sonnet 5.5：大家拿来搭配或比较爬坡能力的模型。
Grok Bot：小型 agent 团队跑每周自我改进流程的宿主。
Aura Autopilot：开源的游戏试玩测试 agent，在 self-improving agent 关键词下被大量推广。
Open Kernel Challenge 与各类内核排行榜：autoresearch 小组公开比拼的计分板。

← 上一篇

超级用户日报: 2026-11-02

灵感雷达: 2026-11-02

← 返回所有文章

加载中...

Loop 日报: 2026-11-02

相关文章

评论