Loop 日报: 2026-11-08
今天最扎实的循环跑在一个冻结的模型上。一篇论文给 AlphaFold 3 套了个自动研究 agent，它只重排输入的多序列比对，读置信度信号，再试一轮，结果在每个基准上都赢了默认配方，输入还更浅。其余的故事都在问同一件事：谁来检查循环的产出。一个 Rails 团队的「计划、实现、验证」循环跑满了覆盖率和变异测试，还是带着一个座位计数 bug 交了 PR，最后是调过的审查 agent 抓到的。ICLR 是酸的那一面：论文是 AI 写的，审稿是 AI 写的，中位分是拒稿。做东西的人在把验证搬出循环，交给确定性工具、服务端审批和单独的评分模型。代码之外，有人用 agent 循环做芯片版图，有人用它跑缝纫工作室的后台。Karpathy 和「一句话 autoresearch」模板照样刷屏，一条没收。
#1
@BiologyAIDaily
https://x.com/BiologyAIDaily/status/2119061151179022583
BiologyAIDaily 总结了一篇论文，把冻结的 AlphaFold 3 当成实验仪器来用。自动研究 agent 先提假设，决定每条链放哪些同源序列、跨链怎么配对，跑 AF3，只读不依赖标签的置信度信号，把反思写进记忆，再来一轮，第一轮固定提交默认配置当对照。在 AF3 训练截止之后发布的 1,015 个蛋白界面上，平均 DockQ 从 0.584 升到 0.604、从 0.556 升到 0.583、从 0.583 升到 0.624，跨物种异源复合物从 0.465 跳到 0.612。选出来的比对只有默认深度的四成左右。最诚实的是遗憾分析：只靠预测器自己的反馈，挑最终答案时会吐回搜索所得的约 41%，所以上限卡在验证器上。
https://x.com/BiologyAIDaily/status/2119061151179022583
BiologyAIDaily 总结了一篇论文，把冻结的 AlphaFold 3 当成实验仪器来用。自动研究 agent 先提假设，决定每条链放哪些同源序列、跨链怎么配对，跑 AF3，只读不依赖标签的置信度信号，把反思写进记忆，再来一轮，第一轮固定提交默认配置当对照。在 AF3 训练截止之后发布的 1,015 个蛋白界面上，平均 DockQ 从 0.584 升到 0.604、从 0.556 升到 0.583、从 0.583 升到 0.624，跨物种异源复合物从 0.465 跳到 0.612。选出来的比对只有默认深度的四成左右。最诚实的是遗憾分析：只靠预测器自己的反馈，挑最终答案时会吐回搜索所得的约 41%，所以上限卡在验证器上。
#2
@rockatanescu
https://x.com/rockatanescu/status/2118979049359847879
rockatanescu 给一个 Rails JSON API 配了架构指南、「计划、实现、验证、审查」的 agent 循环，还有检查工单符合度、安全和性能的子 agent。同事从这个循环交出的 PR 行覆盖和分支覆盖都是 100%，测试只看行为，变异测试也干净，结果还是藏着一个 bug：只剩一个座位时邀请两个人、其中一人已被邀请，接口返回 400，而不是把座位填上。调过的审查 agent 找到了它，人再看才发现真正的问题是少了一个表单对象，而这种写法几乎没有先例，因为 170 多个接口里只有大约 15 个会改数据。agent 还照抄了被明确标成遗留代码的「取 ID 再拼查询」写法。指标全绿，量的是测试，不是设计。
https://x.com/rockatanescu/status/2118979049359847879
rockatanescu 给一个 Rails JSON API 配了架构指南、「计划、实现、验证、审查」的 agent 循环，还有检查工单符合度、安全和性能的子 agent。同事从这个循环交出的 PR 行覆盖和分支覆盖都是 100%，测试只看行为，变异测试也干净，结果还是藏着一个 bug：只剩一个座位时邀请两个人、其中一人已被邀请，接口返回 400，而不是把座位填上。调过的审查 agent 找到了它，人再看才发现真正的问题是少了一个表单对象，而这种写法几乎没有先例，因为 170 多个接口里只有大约 15 个会改数据。agent 还照抄了被明确标成遗留代码的「取 ID 再拼查询」写法。指标全绿，量的是测试，不是设计。
#3
@XYHan_
https://x.com/XYHan_/status/2118908875944648886
XYHan_ 把三件事摆在一起：多数 ICLR 投稿像是 AI 生成的，多数审稿像是 AI 写的，中位分是 2 分，也就是拒稿。要么模型学会了讨厌自己的垃圾，要么递归式自动研究离我们比想象的远。这是句玩笑，但也是今天问题最干净的说法。生成者和评分者是同一类系统时，低分说明的是流水线，不是进步。
https://x.com/XYHan_/status/2118908875944648886
XYHan_ 把三件事摆在一起：多数 ICLR 投稿像是 AI 生成的，多数审稿像是 AI 写的，中位分是 2 分，也就是拒稿。要么模型学会了讨厌自己的垃圾，要么递归式自动研究离我们比想象的远。这是句玩笑，但也是今天问题最干净的说法。生成者和评分者是同一类系统时，低分说明的是流水线，不是进步。
#4
@EmilevanKrieken
https://x.com/EmilevanKrieken/status/2118989316143616268
EmilevanKrieken 补上了审稿这一侧的后果。能在重度 AI 审稿里活下来的论文，会写得极其防御，把所有可能的反对意见都提前堵上，而这正是自动研究循环最擅长批量产出的东西。结果是评分过得去，人读起来很痛苦。这是整个领域层面的奖励投机：循环优化的是「过审」，不是「有人愿意读」。
https://x.com/EmilevanKrieken/status/2118989316143616268
EmilevanKrieken 补上了审稿这一侧的后果。能在重度 AI 审稿里活下来的论文，会写得极其防御，把所有可能的反对意见都提前堵上，而这正是自动研究循环最擅长批量产出的东西。结果是评分过得去，人读起来很痛苦。这是整个领域层面的奖励投机：循环优化的是「过审」，不是「有人愿意读」。
#5
@Jon_Rose_
https://x.com/Jon_Rose_/status/2119119687024071076
Jon_Rose_ 在做一个 AI 驱动的 RTL 到 GDS 芯片设计工具，用一个 agent 循环跑完整条流程，而不是串一堆互不相干的 EDA 工具，还写了一本书讲 bot 在 ASIC 流程里的位置。目标是 65 纳米及以上的设计，预估价格 1 万美元，对比三大 EDA 厂商贵得多的工具。从老工艺节点切入是对的，设计规则稳定、检查手段成熟，循环就有一个靠得住的验证器。目前只是早期说法，没有放结果，但这是这个栏目里少见的非软件循环。
https://x.com/Jon_Rose_/status/2119119687024071076
Jon_Rose_ 在做一个 AI 驱动的 RTL 到 GDS 芯片设计工具，用一个 agent 循环跑完整条流程，而不是串一堆互不相干的 EDA 工具，还写了一本书讲 bot 在 ASIC 流程里的位置。目标是 65 纳米及以上的设计，预估价格 1 万美元，对比三大 EDA 厂商贵得多的工具。从老工艺节点切入是对的，设计规则稳定、检查手段成熟，循环就有一个靠得住的验证器。目前只是早期说法，没有放结果，但这是这个栏目里少见的非软件循环。
#6
@carthurj
https://x.com/carthurj/status/2119156051064815995
carthurj 一开始只是搭了一个通用 agent 循环，接上了 Gmail。一位开实体缝纫工作室、还开课的亲戚看到后成了第一个客户，来回磨了大约三个月，现在这个应用里有 12 条生产工作流，工作室说离了它们不行。这里没人规划过什么垂直产品。先有循环，客户是看到它真的在处理邮件才找上门的。
https://x.com/carthurj/status/2119156051064815995
carthurj 一开始只是搭了一个通用 agent 循环，接上了 Gmail。一位开实体缝纫工作室、还开课的亲戚看到后成了第一个客户，来回磨了大约三个月，现在这个应用里有 12 条生产工作流，工作室说离了它们不行。这里没人规划过什么垂直产品。先有循环，客户是看到它真的在处理邮件才找上门的。
#7
@sanjeed_i
https://x.com/sanjeed_i/status/2119000413986849080
sanjeed_i 跑了一个审计 prompt，让「幕僚长」agent 回看两周的 agent 会话、定时任务、PR、工单、私信和邮件，结果自称很受打击。这个 prompt 问的是：工作在哪里等人、等了多久、是不是真的需要人；哪些工作流是「假循环」，只产出不衡量结果；哪些东西悄悄坏了、多久才被发现；哪些高价值的工作根本没有循环。重设计的规则最有用：每个循环一个指标，每轮只改一处，好就留、不好就扔，单独一个评判 agent，人只看一张每天的「是或否」清单。拿循环先照自己的瓶颈，是成本最低的第一跑。
https://x.com/sanjeed_i/status/2119000413986849080
sanjeed_i 跑了一个审计 prompt，让「幕僚长」agent 回看两周的 agent 会话、定时任务、PR、工单、私信和邮件，结果自称很受打击。这个 prompt 问的是：工作在哪里等人、等了多久、是不是真的需要人；哪些工作流是「假循环」，只产出不衡量结果；哪些东西悄悄坏了、多久才被发现；哪些高价值的工作根本没有循环。重设计的规则最有用：每个循环一个指标，每轮只改一处，好就留、不好就扔，单独一个评判 agent，人只看一张每天的「是或否」清单。拿循环先照自己的瓶颈，是成本最低的第一跑。
#8
@NikitaD26506
https://x.com/NikitaD26506/status/2118970366265614543
NikitaD26506 在一个真实的 Claude Code agent 上检验了流行说法「在便宜和昂贵模型之间路由能省 90% 成本」。结论是：付的钱里 98% 花在 agent 反复重读自己的上下文上。如果成立，模型路由调的是错的旋钮，省钱的地方在缓存、压缩和把上下文保持短。帖子附了一篇文章，讲哪些办法有效、哪些会悄悄变得更糟。
https://x.com/NikitaD26506/status/2118970366265614543
NikitaD26506 在一个真实的 Claude Code agent 上检验了流行说法「在便宜和昂贵模型之间路由能省 90% 成本」。结论是：付的钱里 98% 花在 agent 反复重读自己的上下文上。如果成立，模型路由调的是错的旋钮，省钱的地方在缓存、压缩和把上下文保持短。帖子附了一篇文章，讲哪些办法有效、哪些会悄悄变得更糟。
#9
@mentalium_
https://x.com/mentalium_/status/2119100563732230269
mentalium_ 推荐了一篇论文，作者把 Claude Code、Codex、Gemini CLI 等 11 个 agent 系统拆到源码层，归纳出七个子系统：循环、模型接入、工具、上下文、安全、编排和扩展。两个发现最值得记。11 个运行时没有一个引用通用 agent 框架，也没有一个对代码做向量检索。技能出现在 11 个里的 9 个，MCP 出现在 8 个，论文最后给了 18 条设计建议和一个刻意极简、不带沙箱的 90 行脚手架。开头照例借了 Karpathy 那句话，但内容是实打实的拆解，能当一张「循环周围需要什么」的地图。
https://x.com/mentalium_/status/2119100563732230269
mentalium_ 推荐了一篇论文，作者把 Claude Code、Codex、Gemini CLI 等 11 个 agent 系统拆到源码层，归纳出七个子系统：循环、模型接入、工具、上下文、安全、编排和扩展。两个发现最值得记。11 个运行时没有一个引用通用 agent 框架，也没有一个对代码做向量检索。技能出现在 11 个里的 9 个，MCP 出现在 8 个，论文最后给了 18 条设计建议和一个刻意极简、不带沙箱的 90 行脚手架。开头照例借了 Karpathy 那句话，但内容是实打实的拆解，能当一张「循环周围需要什么」的地图。
#10
@iamMrDuncan
https://x.com/iamMrDuncan/status/2118974922118603121
iamMrDuncan 在做 Thermite 这个 autoresearch 框架，说一场好的实验战役要考虑很多事，实验能快速起停是其中最大的一块。这是在回应 justinn_builds，后者给自动 autoresearch 的头号建议就是「先优化启动速度」。iamMrDuncan 还写了一份文档，列出 pi-autoresearch 缺的东西（OMP 的 autoresearch 被认为是基于它的），并维护一张和其他框架的对比页。下个版本会加多机目标，把一场战役分散到集群上，还附一个预装 CUDA 13 的 GB10 机器镜像。每一轮都要付启动成本时，启动时间就是循环真正的主频。
https://x.com/iamMrDuncan/status/2118974922118603121
iamMrDuncan 在做 Thermite 这个 autoresearch 框架，说一场好的实验战役要考虑很多事，实验能快速起停是其中最大的一块。这是在回应 justinn_builds，后者给自动 autoresearch 的头号建议就是「先优化启动速度」。iamMrDuncan 还写了一份文档，列出 pi-autoresearch 缺的东西（OMP 的 autoresearch 被认为是基于它的），并维护一张和其他框架的对比页。下个版本会加多机目标，把一场战役分散到集群上，还附一个预装 CUDA 13 的 GB10 机器镜像。每一轮都要付启动成本时，启动时间就是循环真正的主频。
#11
@ishaansehgal
https://x.com/ishaansehgal/status/2119159434605650066
ishaansehgal 解释了主流 harness 为什么难托管：它们把 agent 循环当本地进程跑，机器在命令执行到一半时挂掉，接手的进程没法从聊天记录判断该等、该收结果还是该重试。作者团队的做法是让循环在沙箱外运行并持久化状态，沙箱里只放一个小守护进程执行命令。循环和沙箱各自可以挂、可以扩容，互不拖累。能不能恢复，取决于状态放在哪，不取决于模型。
https://x.com/ishaansehgal/status/2119159434605650066
ishaansehgal 解释了主流 harness 为什么难托管：它们把 agent 循环当本地进程跑，机器在命令执行到一半时挂掉，接手的进程没法从聊天记录判断该等、该收结果还是该重试。作者团队的做法是让循环在沙箱外运行并持久化状态，沙箱里只放一个小守护进程执行命令。循环和沙箱各自可以挂、可以扩容，互不拖累。能不能恢复，取决于状态放在哪，不取决于模型。
#12
@PatchOnChain
https://x.com/PatchOnChain/status/2119178320462164098
PatchOnChain 点名了每个长时间运行的编码循环都会撞上的问题：CI 有 1% 的随机抖动。agent 遇到一个无关的 socket 超时，不会选择重跑，而是认定自己的改动出了错，到处塞 sleep，把本来能用的代码改坏。链接的文章把它叫作「不稳定测试死循环」，并提出一个零抖动的 harness。给做循环的人的教训是：有噪声的验证器比没有更糟，因为 agent 会去拟合噪声。
https://x.com/PatchOnChain/status/2119178320462164098
PatchOnChain 点名了每个长时间运行的编码循环都会撞上的问题：CI 有 1% 的随机抖动。agent 遇到一个无关的 socket 超时，不会选择重跑，而是认定自己的改动出了错，到处塞 sleep，把本来能用的代码改坏。链接的文章把它叫作「不稳定测试死循环」，并提出一个零抖动的 harness。给做循环的人的教训是：有噪声的验证器比没有更糟，因为 agent 会去拟合噪声。
#13
@Boson_Zhe
https://x.com/Boson_Zhe/status/2118962841818456489
Boson_Zhe 用一句话给了规则：能搬的验证都从 agent 循环里搬出去，交给确定性的工具。给代码做性能分析、持续追踪性能，验收标准、安全或性能守卫一旦退化就不准发布。agent 负责提议，确定性检查负责拍板。同一条帖子也划了底线：可能害死人或引发金融危机的代码不在此列。
https://x.com/Boson_Zhe/status/2118962841818456489
Boson_Zhe 用一句话给了规则：能搬的验证都从 agent 循环里搬出去，交给确定性的工具。给代码做性能分析、持续追踪性能，验收标准、安全或性能守卫一旦退化就不准发布。agent 负责提议，确定性检查负责拍板。同一条帖子也划了底线：可能害死人或引发金融危机的代码不在此列。
#14
@johnroodepic
https://x.com/johnroodepic/status/2119162116381065547
johnroodepic 认为本地模型先坐上的是「评分」的位置，远早于「作者」的位置。agent 循环里大部分工作量是检查而不是写，一个配了严格评分标准的小模型在那里能撑很久，换去写代码早就出丑了。这给出一个省钱的分工：前沿模型当作者，本地模型当高频评委。
https://x.com/johnroodepic/status/2119162116381065547
johnroodepic 认为本地模型先坐上的是「评分」的位置，远早于「作者」的位置。agent 循环里大部分工作量是检查而不是写，一个配了严格评分标准的小模型在那里能撑很久，换去写代码早就出丑了。这给出一个省钱的分工：前沿模型当作者，本地模型当高频评委。
#15
@faisalnazir
https://x.com/faisalnazir/status/2119139051781423486
faisalnazir 把审批这件事说得很准：agent 自己能设置的确认标记不等于人的批准。批准应该放在 agent 循环之外，绑定到具体的动作和金额，并在服务端强制执行，光有预览也不算同意。循环能自己写下「同意」，决定权就归循环了。
https://x.com/faisalnazir/status/2119139051781423486
faisalnazir 把审批这件事说得很准：agent 自己能设置的确认标记不等于人的批准。批准应该放在 agent 循环之外，绑定到具体的动作和金额，并在服务端强制执行，光有预览也不算同意。循环能自己写下「同意」，决定权就归循环了。
#16
@dnzxlyfe
https://x.com/dnzxlyfe/status/2119164896210473409
dnzxlyfe 讲了一条让 agent 进入生产循环的权限规则：agent 可以随便创建和运行，但凡是删除都要等人点头。所以评估任何 API 时最关键的问题是删除权限能不能单独划出来。一把能创建、能执行、但不能删除的密钥，才让这个集成安全到可以自动化。
https://x.com/dnzxlyfe/status/2119164896210473409
dnzxlyfe 讲了一条让 agent 进入生产循环的权限规则：agent 可以随便创建和运行，但凡是删除都要等人点头。所以评估任何 API 时最关键的问题是删除权限能不能单独划出来。一把能创建、能执行、但不能删除的密钥，才让这个集成安全到可以自动化。
#17
@Synrouterdotai
https://x.com/Synrouterdotai/status/2119111990832759030
Synrouterdotai 发布了一个能感知会话的推理网关，瞄准的是无状态聊天 API 和长时间运行的 agent 循环之间的错配。卖点是循环在反复重发上下文、和很短的缓存寿命较劲，白交一笔「冗余税」，网关声称不改代码就能把 agent 的 API 成本最多降 85%。这是厂商自己的数字，在有人实测之前只能当说法看。但它和今天另一个成本数据对得上：循环账单的大头是 agent 在重读自己。
https://x.com/Synrouterdotai/status/2119111990832759030
Synrouterdotai 发布了一个能感知会话的推理网关，瞄准的是无状态聊天 API 和长时间运行的 agent 循环之间的错配。卖点是循环在反复重发上下文、和很短的缓存寿命较劲，白交一笔「冗余税」，网关声称不改代码就能把 agent 的 API 成本最多降 85%。这是厂商自己的数字，在有人实测之前只能当说法看。但它和今天另一个成本数据对得上：循环账单的大头是 agent 在重读自己。
#18
@lifeofsou
https://x.com/lifeofsou/status/2119190988086493431
lifeofsou 喜欢跟 Argon 聊天，因为它会给出其他前沿模型想不到的点子，但暂时不肯把它放进 agent 循环。原因是它太自信，几乎从不停下来质疑自己。聊天时有人在旁边把坏点子筛掉，放进循环就没人筛了，所以无人值守运行的模型，恰恰需要会自我怀疑。
https://x.com/lifeofsou/status/2119190988086493431
lifeofsou 喜欢跟 Argon 聊天，因为它会给出其他前沿模型想不到的点子，但暂时不肯把它放进 agent 循环。原因是它太自信，几乎从不停下来质疑自己。聊天时有人在旁边把坏点子筛掉，放进循环就没人筛了，所以无人值守运行的模型，恰恰需要会自我怀疑。
#19
@sermakarevich
https://x.com/sermakarevich/status/2119024563086397503
sermakarevich 发了一份研究综述，按问题整理了应对常见 agent 故障的架构手段：过早失败、交接低效、上下文噪声、多个 agent 犯同一个错、上下文过大、模型之间爱互相附和、成本和速度，以及学习。有用的地方在于，每种故障对应的都是架构上的解法，而不是更好的 prompt。「互相附和」这一条，对拿第二个模型当评委的循环最要紧。
https://x.com/sermakarevich/status/2119024563086397503
sermakarevich 发了一份研究综述，按问题整理了应对常见 agent 故障的架构手段：过早失败、交接低效、上下文噪声、多个 agent 犯同一个错、上下文过大、模型之间爱互相附和、成本和速度，以及学习。有用的地方在于，每种故障对应的都是架构上的解法，而不是更好的 prompt。「互相附和」这一条，对拿第二个模型当评委的循环最要紧。
📡 生态产品雷达
生态产品雷达
Claude Code：今天各类循环的默认宿主，从 Rails 审查 agent 到成本测试都跑在上面
Thermite：autoresearch 框架，正在加多机实验，常和 OMP、pi-autoresearch 一起被讨论
OMP：编码 harness，不少人在用它的 autoresearch 模式
Inkling 2 Small：Thinking Machines 的新模型，主打长程编码和 autoresearch 循环，权重承诺红队测试后放出
Argon：点子多被夸，无人值守时不被信任
Grok Bot：一句话循环模板的主要对象
Claude Code：今天各类循环的默认宿主，从 Rails 审查 agent 到成本测试都跑在上面
Thermite：autoresearch 框架，正在加多机实验，常和 OMP、pi-autoresearch 一起被讨论
OMP：编码 harness，不少人在用它的 autoresearch 模式
Inkling 2 Small：Thinking Machines 的新模型，主打长程编码和 autoresearch 循环，权重承诺红队测试后放出
Argon：点子多被夸，无人值守时不被信任
Grok Bot：一句话循环模板的主要对象
评论