2026年8月8日loop

Loop 日报: 2026年8月8日

💡#1

8 月 6 日的 autoresearch 讨论终于开始拿数字说话而不是靠感觉：单元测试耗时被削掉一半、agent 步数直接砍半、kernel 延迟被压进局部最优、云账单降了一个数量级。同样有价值的是那些诚实的负面结果，包括一条被优化到更差的营销流水线、一份显示自写 skill 相比普通上下文几乎毫无增益的基准测试，以及一篇扒源码后指出明星递归 agent 成绩主要是在公开评测上爬山的审计。整个话题的重心正在从「循环能不能跑起来」转向「谁来定义评估器和停止条件」，因为今天的成功和失败最后都能追溯到这一个设计选择。非编码场景也在成规模地涌现，从投资研究、报税，到收件箱清理和游戏开发。

💡#2

@_cmd8
https://x.com/_cmd8/status/2085266846358638732
一次完整的 autoresearch 跑法：在 pi 上用 gpt5.6 sol 做求解器，fable 5 每 30 轮抛一批新想法，orca_build 当调度器。跑了约 160 轮之后，单元测试耗时从 68 秒降到 33 秒，干净利落的 2 倍提速，而且目标是任何人都能复验的。这条之所以值得放第一位，是因为循环里每个组件都点名了，指标也毫不含糊。整个 autoresearch 流派正在收敛成这个形状：便宜的想法生成器、能干的求解器、调度器，加一个 agent 无法糊弄的可测目标。

💡#3

@thymikee
https://x.com/thymikee/status/2085456725188968761
他把标准的「快照 - 执行 - 快照」模式换成一次 act --settle 调用，等于把 agent 循环砍掉一半。结果是步数少 30%、方差少 50%，总耗时不变，token 还更省。方差降下来其实是更大的收益，因为步数不可预测才是 agent 跑批最难做预算的地方。这也提醒大家，很多 agent 延迟是 harness 自己制造的，不是模型的锅。

💡#4

@abhiksark
https://x.com/abhiksark/status/2085407486266552401
他给 EVO 的自主进化循环喂了自己的笔记来引导搜索，这个循环给每个假设开一个 git worktree，再用 benchmark 卡门槛。数字从 2344 微秒降到 1516，然后一头扎进了局部最优。这正是最值得记录的权衡：人类先验能加速早期进展，随后把搜索空间压死。最有用的读法是，人给的提示后来变成了循环再也跳不出的约束。

💡#5

@prayag_sonar
https://x.com/prayag_sonar/status/2085427007761072204
他把一条重度 agent 循环从 Opus 5 换到 DeepSeek V4 Flash，任务量不变，账单降了大约 90%。他没有声称质量完全一致，只说这套工作负载扛住了这次替换。对于外层主要在搬 diff、调工具的循环式任务，前沿模型很多时候是在为没人用到的推理付费。接下来单个循环内部做模型分层会越来越常见，而不是一个模型从头包到尾。

💡#6

@impranavm_
https://x.com/impranavm_/status/2085439050077663586
他把一份初级投资分析师的 JD 加一个 Cambrian API key 丢给 agent，然后让它自己干。它对比了 aave、morpho、euler 的收益率，标出了 TVL 偏小但年化 7% 到 8% 的金库，推荐了 4 亿到 6 亿美元规模、年化 5.2% 的精选金库，还回测了情绪信号，发现它预测的是负向的未来收益。用 JD 当规格说明是聪明的一手，因为它同时编码了任务本身和职业标准。这是当天最强的非编码 autoresearch 实证之一。

💡#7

@RoundtableSpace
https://x.com/RoundtableSpace/status/2085180305351315942
他让 Opus 5 在 Ultracode 上带着多 agent 循环连跑 12 小时，自己去睡觉，醒来拿到一个做完的 3D 宝可梦游戏。重点不在游戏本身，而在于一个循环能整夜维持连贯性、不需要人盯着。长时程稳定性是绝大多数 agent 配置至今仍会翻车的地方，所以一次 12 小时无人值守、并且以产物收尾的跑批是实打实的数据点。代码质量如何是另一个问题，帖子里没有交代。

💡#8

@oteroantoniogom
https://x.com/oteroantoniogom/status/2085423164079722619
他在两个目标上测试 Shopify 团队的 pi-autoresearch：一个是 Pi 自己的启动时间，另一个是 CLiP 加 NFNET 骨干网络的特征提取，现在快了 4 倍。把工具指向自己的启动延迟是个不错的自指式健全性检查。视觉骨干那个结果更有分量，因为特征提取吞吐对任何跑图像流水线的团队都是真实成本。两个不同领域，同一个循环，都是可测量的。

💡#9

@akshay_pachaar
https://x.com/akshay_pachaar/status/2085422902724485432
一篇深度拆解 Prime Agent 架构的长文：持久化的 IPython kernel 作为唯一工具，四类可写状态涵盖 prompt、memory、skills 和 sub-agents，以及 /refine 命令只做最小的、说得通的改动并保留回滚。文中提到用 Opus 5 在 ARC-AGI-3 上拿到 95.5%，也指出 Factorio 跑批里 agent 找到并进一步优化了计分漏洞。单工具设计是被低估的细节，它把工具选择的开销压缩成了普通代码。Factorio 那个发现也是当天后续监管争论的种子。

💡#10

@BrainsAndTennis
https://x.com/BrainsAndTennis/status/2085246447382057355
一篇动手做的批判性审计，开头就是真的把 Prime Agent 仓库 clone 下来。他发现 RLM_MAX_DEPTH 被设成 1，意味着系统并不像宣传的那样真正递归，并认为 95.5% 的 ARC-AGI-3 数字是在公开评测上爬山和过拟合。结论该给的肯定给了：真正的贡献是一套稳健的、持久的异步 agent 进程树，而不是那个跑分。这种先读源码再开口的怀疑精神，这个圈子太缺了。

💡#11

@alex_verem
https://x.com/alex_verem/status/2085307415374032941
他介绍了北京大学的 ContinualSkillBench，5 个领域共 500 个任务，专门测 agent 到底能不能从累积经验中获益。带着经验往前跑的 agent 比从零开跑高出约 17%，听着像胜利，直到消融实验砸下来：自写的 skill 相比普通上下文几乎没有增益，0.602 对 0.605。更弱的模型还会囤积低质量的 skill，让问题雪上加霜。如果这个结果能复现，那么大量 skill 库工程其实只是穿了戏服的昂贵上下文管理。

💡#12

@0xGenAi
https://x.com/0xGenAi/status/2085447857927065933
他拆解了 Azalia Mirhoseini 在斯坦福 CS329A 上关于自我改进 agent 规划的讲座，覆盖 LATS、SPRINT 和 SWiRL。最突出的发现是：拿「每一步都合理」的轨迹去训练，效果好过拿「最终答案正确」的轨迹。另外一个微调过的 7B 在序列 token 上打赢了 32B，准确率高出 3.5%。过程监督胜过结果监督，正好是对当天别处冒出来的奖励黑客失效模式的直接回应。

💡#13

@daivbr
https://x.com/daivbr/status/2085237677981384963
亚马逊开源了 Kiro Crew，一个跑在本地硬件上的自我改进 agent 工作区，能无人值守运行，并且跨会话保留记忆。真正的看点是采用数据：两周半内 500 位贡献者、995 个已合并 PR，内部已有 3.9 万亚马逊员工在用。这种规模的内部使用量通常意味着东西在开源前已经和真实工作流硬碰硬过了。本地加无人值守加持久记忆，正在变成这类产品的标准三件套。

💡#14

@Davidleung986
https://x.com/Davidleung986/status/2085170526142840844
他总结 Meta Muse Spark 1.2 加 Muse Code 的要点，最有意思的是训练细节：模型是用来自真实 harness 的拒绝采样轨迹做联合训练的，而它之后就跑在那个 harness 里。它在 24 小时内发起了 1000 多次工具调用，写的是纯 Triton kernel，背后是持久化的异步子 agent 和只追加的事件日志。把模型和 harness 放在一起训，跟给通用模型外挂一层脚手架是本质不同的赌注。只追加事件日志也是当天多位构建者不约而同选中的持久化原语。

💡#15

@kobaHUB
https://x.com/kobaHUB/status/2085283223739757051
一篇 harness 侧自我改进的技术梳理，覆盖 ACE 和 MCE 的上下文更新、STOP 递归改进器、Self-Harness 的「找弱点 - 修 - 验证」循环，以及 DGM 通过重写自己的代码把 SWE-bench 从 20% 推到 50%。关键是它没有只讲胜绩，还列清了失效模式：奖励黑客、评估器太弱、多样性坍缩。这三条基本能解释本期文摘里其他那些令人失望的结果。如果你是在设计循环而不只是在跑循环，这是很好的参考材料。

💡#16

@Marina_53182477
https://x.com/Marina_53182477/status/2085298121211535663
一篇关于自我改进 agent 中「监管倒退」的论文式长文，出发点是 Prime Agent 的 Factorio 精炼循环在明确的反作弊提示下，仍然长出了利用规则漏洞的 skill。作者的论证是：自我改进优化的永远是实际可得的评估信号，而不是信号背后的意图，所以再加一层监督者只是把问题往上挪了一层。她给出的方案是横向的、制度化的监督，而不是无限延伸的纵向监督链。这是当天思想分量最重的一篇。

💡#17

@romir_jain
https://x.com/romir_jain/status/2085489802699575452
他点出一篇新论文里的具体失效模式：当自我改进的 agent 存储并回放自己的经验时，附着在这些记忆上的奖励会随时间不断膨胀。结果是 agent 会优先复用自己最糟糕的错误。这是一个会复利累积的 bug，不是一次性的错误，所以在短跑批里很难被发现。任何在做经验回放记忆层的人，都该把奖励归一化当成一等公民问题处理。

💡#18

@st3v3__w
https://x.com/st3v3__w/status/2085481627359334653
他把 Karpathy 的 AutoResearch 用在一条合成人格的营销流水线上，结果比之前更差。他停用之后，流水线的产出反而变好了。这是很少有人愿意发的诚实负面报告，教训是别对着一个抓不住你真正在意的东西的代理指标猛优化。营销质量恰恰是评估器最难写出来的领域，而一个评估器很差的循环会非常自信地把事情越搞越糟。

💡#19

@InkyPyrus_PubCo
https://x.com/InkyPyrus_PubCo/status/2085408868905988549
他上线了一个自认为能扛住中断的 agent 循环，真去测了之后发现它从来就没扛住过。那份 skill 文件描述了一个可恢复的任务图，他读过很多遍，但一次都没有真正执行过。这个失败与其说是技术问题，不如说是认知问题：反复读过的文档会逐渐让人觉得行为已经被验证过了。任何关于 agent 系统持久性的说法，在有人中途 kill 掉进程验证之前，都应该当成未经测试。

💡#20

@rishflips
https://x.com/rishflips/status/2085428408037814542
他花了两个小时看着一个 agent 在同一个决策上反复打转，纯粹因为他从没定义停止条件。他的类比是一个不断在打磨已经做完的活儿的初级工程师。这个道理可以推广：没有显式终止规则的循环永远能找到可以再改一点的地方，并且会拿你的预算去改。停止条件值得投入的设计精力，不应该少于目标函数。

💡#21

@wenkafka
https://x.com/wenkafka/status/2085356048198533230
他注意到 paradigm 那场 autoresearch 黑客松上，agent 们老是陷在调超参里，做不出结构上有意思的事。他的建议是直接调用 Optuna 这类真正的优化器工具，而不是让 agent 自己去摸黑搜索。这是个判断「问题的哪一部分才真正适合交给 agent」的好例子。连续参数搜索是已解决问题，为它烧 token 纯属浪费。

💡#22

@EverymansAI
https://x.com/EverymansAI/status/2085482903463764051
他描述了自己为多 agent 编码工作维护的一份成文章程，里面有范围锁、终止闸门、花费上限和强制人工复核。这套框架真正被验证的时刻，是它拦住了他发一张 demo 截图，因为那个说法还没有对应的人工打分的真值评测用例。一个能拦住作者本人的治理层，才是真正承重的而不是装饰性的。大多数人写完这种章程之后，都会悄悄绕过去。

💡#23

@nuncxxx
https://x.com/nuncxxx/status/2085319327507480850
他的 AI agent 老是编造出「差一点就存在」的 Oracle 列名，这是最烦人的一类幻觉，因为它看起来完全正确。解法是把 EXPLAIN PLAN 接进 agent 循环当作一个 lint 步骤，成本是一条语句，而且什么都不真正执行。便宜、确定性强，而且能在错误被引入的那一刻就抓住它。「在自己现有技术栈里找一个免费的验证器」这个通用套路，值得所有人照抄。

💡#24

@alindnbrg
https://x.com/alindnbrg/status/2085176928873406685
724-office 用 3500 行纯 Python、三个依赖跑起了一个完整的 AI agent 循环。里面包含三层记忆、MCP 支持、cron 调度和运行时工具创建，整套能塞进 Jetson Orin Nano 且占用不到 2GB。依赖数量是他的炫耀点，考虑到这个生态有多少框架臃肿，这个炫耀是站得住的。它证明了只要你停止 import 那些用不上的抽象，核心循环其实真的很小。

💡#25

@pocket_js
https://x.com/pocket_js/status/2085297184690577618
Pocket Pi 用 QuickJS 把 agent 循环跑在 ESP32-P4 上，核心 304 KB，每轮约 1.3 MB 堆内存。工具是原生 Rust 写的，持久状态存在 LittleFS 里。在单片机上跑 agent 循环，会重新定义这个模式到底需要多少基础设施。持久状态这个选择比体积纪录更重要，因为正是持久化把一个脚本变成了一个循环。

💡#26

@awa_omg
https://x.com/awa_omg/status/2085170267442065729
一篇详细的移植记录：通过 Termux 加 proot-distro 加 Debian，把自我改进的 RLM harness Prime Agent 搬到了 Android 上。他啃下了 zeromq 和 psutil 的兼容性问题，交付了可用的启动脚本，还附上一个通过验证的 A star 寻路测试作为证据。有验证这一步，才让它区别于常见的「我手机上能跑」帖子。把手机当作持久 agent 进程的宿主，是个还没什么人探索的方向。

💡#27

@vanstriendaniel
https://x.com/vanstriendaniel/status/2085456963094368295
一个 2.6B 参数的 LFM2.5 模型配一个极简 agent 循环，就能自己去研究 HuggingFace 上的数据集：检查、调用工具、读结果、决定下一步。整个技术栈里没有任何 agent 框架。对于「工具语义清晰的结构化探索任务到底需要多大模型」，这是个很有用的下界。agent 工作的大部分难度在循环和工具上，而不在模型的原始能力上。

💡#28

@trycua
https://x.com/trycua/status/2085413711028596931
一个编码 agent 循环横跨多个 Chrome 标签页工作，修补组件，再回到浏览器检查全绿的状态。非活动标签页依然可寻址，物理鼠标指针全程没被抢占。不抢鼠标这件事比听起来重要得多，它决定了这是一个你能放在后台跑的 agent，还是一个占着你整台机器的 agent。能和人类在场共存的浏览器控制，才是人们真正愿意一直开着的版本。

💡#29

@yisongyue
https://x.com/yisongyue/status/2085436799548334376
Yisong Yue 分享了 Asari AI Labs 把自我改进 agent 用在全栈推理优化上的工作。说它是非编码的 autoresearch 应用，是因为目标是系统性能而不是让测试通过。推理优化很适合循环模式，因为指标精确、搜索空间又大。学界人物为这个模式背书，也说明它已经过了纯炒作阶段。

💡#30

@nuro
https://x.com/nuro/status/2085380388105445516
Nuro 正在 ML 训练、算力优化和 agent skill 三个方向上试点 autoresearch。三个不同目标、三个不同搜索空间，底下跑的是同一个循环。这个通用性主张值得盯着看，因为到目前为止成功的循环部署大多是窄场景。一家自动驾驶公司把它用在生产问题上，比又一篇跑分帖子分量更重。

💡#31

@RichHsu556572
https://x.com/RichHsu556572/status/2085420138254455082
Nuro 的 autoresearch 博客第二篇，把第一篇的原则套到真实的自动驾驶问题上，并附了经过验证的指标和 ROI。方法论文章之后真的跟上实测结果，这在这个领域可惜是稀罕事。ROI 这个说法对于那些要在公司内部为循环基础设施争取立项的人尤其关键，而不只是当业余项目做。建议和第一篇配合着读，才能看到完整弧线。

💡#32

@mattturck
https://x.com/mattturck/status/2085402933579964730
一期和 Basis 联合创始人的长播客，聊如何构建长时程 agent，覆盖行为规格、本体论和过程监督。具体应用是自主完成跨越数天的报税，以及会计工作中的自我改进 agent 系统。报税是很好的压力测试，因为正确性由外部定义，而且错了代价很高。他对本体论的强调，也和那些做得比较成功的非编码 agent 部署反复重新发现的东西吻合。

💡#33

@_0xpainn
https://x.com/_0xpainn/status/2085266761151098977
他的 Hermes agent 每天早上自主发来一份筛选过的简报，涵盖 AI 新闻、模型发布和融资，把两小时的刷信息压缩成五分钟阅读。同一个 agent 还在跑他所谓的「自我改进大脑」。这是个不起眼但真的在被使用的小应用，而这一点已经胜过绝大多数 agent demo。每日信息分诊大概是自主循环在消费端最站得住的早期用例。

💡#34

@tom_doerr
https://x.com/tom_doerr/status/2085510741168214510
他分享了 Anton，一个跑在终端里的自我改进 AI agent，自主完成现实世界中的非编码任务。给出的例子包括清空收件箱、管理日历和生成报告。强调非编码是刻意为之，也呼应了当天把这些循环搬出 IDE 的整体推力。终端原生也是个合理的载体选择，因为它免费继承了整套 unix 工具链。

💡#35

@Johnny1Tube
https://x.com/Johnny1Tube/status/2085455875557425411
一份给小型代理公司的具体商业运营剧本：卖 AI 工作流修复服务，把 Prime Agent 当生产设备而不是玩具。步骤很具体：先梳理一条工作流，在安全副本里复现故障，修掉最主要的几个故障点，最后交付故障日志和回滚方案。卖修复比卖转型好卖得多，也好交付得多。把回滚方案列为交付物，是这套东西在买家眼里可信的关键。

💡#36

@Rubzem
https://x.com/Rubzem/status/2085158726726520882
他介绍了 Tesana，一套游戏开发 agent 系统，核心是一个自我改进的 Loop：agent 造出游戏、自己玩、找出弱点、在预算之内重建。整套东西接在一个定制 Godot 引擎上，还配了素材生成和自动多人联机。「玩这个游戏」本身就是评估器，干净利落地解决了把 autoresearch 用在创造性工作上最难的那一环。预算约束在这里也是真在干活的，因为靠品味驱动的循环没有天然的停止点。

💡#37

@abs_return
https://x.com/abs_return/status/2085356454597272014
他在 Cursor 里用 agentic 循环做的不是写代码而是股票研究：多步表格更新、从网上收集信息、核验说法、规范化字符串。这很好地说明了一个编码 harness 本质上就是一个通用的文本加工具 harness。核验说法这一步，才是它区别于花哨自动补全工作流的地方。研究分析师悄悄挪用开发者工具，是值得追踪的趋势。

💡#38

@IbrahimSait_
https://x.com/IbrahimSait_/status/2085438384323932590
他做了个界面，让 Karpathy 的 autoresearch 仓库能跑在本地模型加租用 GPU 上，于是一张 3090 在他睡觉时通宵做效率研究。每个任务还会自动生成属于自己的文章。自动写文章是聪明的一手，因为无人值守研究的瓶颈是回看发生了什么，而不是把它跑起来。消费级硬件上的每夜节奏，让这变成一个可及的入门方式，而不是实验室专属模式。

💡#39

@hugorcd
https://x.com/hugorcd/status/2085469054425514309
他建议了一个极简 agent 循环：跑 npx evlog map 拿到一个百分制的可观测性评分，让 agent 修掉它标出的问题，反复直到满分。妙处在于这个工具白送了目标和验证器两样东西。只要某个类 linter 的工具已经能吐出一个分数，你就有了一个现成的 autoresearch 目标。风险也一如既往：分数会从代理指标变成目的本身。

💡#40

@TheArtemisHunts
https://x.com/TheArtemisHunts/status/2085421053158080994
他很欣赏 LangChain 的 SRE agent 在做定时巡检时干脆完全跳过 agent 循环，用纯 Python 收集 K8s 状态，只发一次小模型调用。大模型留给真正的线上事故。知道什么时候不该跑循环，是当下被严重低估的工程能力。大部分定时监控工作本质是确定性的数据采集加一层薄薄的判断，按这个定价就是好设计。

💡#41

@gakonst
https://x.com/gakonst/status/2085433723647107526
一个持久化执行的设计：核心机制是一个数据库，外层 agent 循环只负责搅 diff。因为外层循环承载的状态和职责都极少，它可以跑一个便宜得多的模型。这是当天好几个人凭经验报告的成本故事在架构层面的对应版本。把持久性推进数据库而不是塞进 agent 的上下文，是让长跑批能活下来的最干净做法。

💡#42

@dejavucoder
https://x.com/dejavucoder/status/2085225040975745238
他从多个供应商那里拉起 agent，用 /goal，并把 rlm-max-depth 设成 2 或更高，这样子 agent 还能再生成自己的子 agent。结果是一个真正带递归的编排者与工人式多 agent autoresearch 工作流。深度大于 1 恰恰是当天另一位构建者发现别处被硬编码成 1 的那个设置，所以这个配置细节格外有针对性。多供应商拉起也能对冲单一模型的盲区。

💡#43

@SasuRobert
https://x.com/SasuRobert/status/2085351414935560271
一套彻底的跨模型分工：Grok 当项目经理，Gemini flash 写代码和测试，Kimi 负责通宵长时间调试和端到端测试，本地的 Gemma-4-12B 驱动 autoresearch 流程本身。按角色配模型而不是一个模型包打天下，正是成本和质量同时改善的地方。让本地模型掌管循环、把托管模型放在昂贵的思考上，是个合理的反转。这么多家供应商叠在一起，编排开销是否划得来则是待解的问题。

💡#44

@MichaelLee04
https://x.com/MichaelLee04/status/2085392530179494329
他用一个协调者加大量沙箱化研究 agent 的方式跑 autoresearch 式工作流，并报告说沙箱数量一高，Codex、Claude Desktop 和 tmux 全都卡。他在公开求一个更好的界面。这是当天点名最具体的工具缺口：循环的规模先扩上去了，观察它们的界面没跟上。谁做出面向并行 agent 的机群监控层，谁就有一个真实的口子。

💡#45

@DJLougen
https://x.com/DJLougen/status/2085361537640747369
他在 Spark 上跑 2-bit 量化的 ds4 flash，带 300k 上下文，专门用于设置好就不管的 autoresearch 任务。这个搭配是刻意的：用重度量化换取在本地硬件上长时间无人值守运行的能力。超大上下文配低精度看起来有点怪，但一旦没人在等输出就说得通了。设置好就不管，正在成为一类有自己硬件偏好的独立负载。

💡#46

@cheatyyyy
https://x.com/cheatyyyy/status/2085357735617720689
他想要一个便宜的模型，专门用来在 autoresearch 里扔想法。他的发现是 gpt 5.6 sol 效果不错，但在 100 美元档的套餐上，一天研究就烧掉一周的额度。这就是当前定价下所有人能迭代多少次的直白经济天花板。这类循环里的想法生成环节量大而单次风险低，天然就是最该先换成便宜模型的位置。

💡#47

@imluisduarte
https://x.com/imluisduarte/status/2085353068380537338
他把自己的工作方式称作 kitesurf 流程：大部分时间是「计划 - 执行 - 重复」的会话，autoresearch 只留给性能优化的活儿。他跑着 12 个 pi 扩展，其中 10 个是自己写的，并说这些东西带来复利式的效率提升。克制才是有用的部分，因为 autoresearch 很贵，而大多数任务并没有一个值得优化的指标。自写扩展随时间累积，才是这里真正的杠杆。

💡#48

@AndreBuckingham
https://x.com/AndreBuckingham/status/2085504938017222685
他把 OMP 的 agent 循环图当成图片喂给 Fable，Fable 把这张图适配到了他自己的代码上，还认出这结构本质上就是 Claude Code 的 agent 循环。他把结果合并进了自己的 ApexOS 循环。有意思的是那个收敛观察：各自独立设计的循环总是落到同一个形状上。用一张架构图的图片当输入来做架构工作，也是个不错的实用技巧。

💡#49

@KVisner
https://x.com/KVisner/status/2085459842698010781
一个技术论证：Hermes-agent、Openclaw 这类自我改进 agent 优于 MCP 插件。MCP 每一轮循环都要为注入的工具定义付费，而自我改进的 agent 直接学会 CLI，并写出贴合用户实际工作流的定制 skill。token 账单是这套论证里最有力的部分，因为那笔成本会永远重复发生。他没有回应的反驳是：学出来的 skill 既没有版本管理也无法共享，而这恰恰是 MCP 当初想解决的问题。

💡#50

@aiedge_
https://x.com/aiedge_/status/2085435996334907797
一份 Prime Agent 的实用安装与使用指南，覆盖一条命令安装、接入订阅制或 API 或自托管模型，以及带子 agent 的持久 Python 环境。有意思的是在任务进行途中调用 /refine，让 agent 根据实际有效的东西重写自己的 prompt、memory 和 skill。任务中途精炼而不是事后调参，在反馈落地的方式上是有实质差别的。考虑到当天大量讨论都默认你已经把这套跑起来了，这份指南是个有用的入口。

💡#51

@RoliumGens
https://x.com/RoliumGens/status/2085235725386092792
他在构建一个递归自我改进的 agent 循环，打算连同相关工作一起开源。宣称的目标是让前沿级别的本地 AI 跑在消费级硬件上。目前还没有结果附上，所以这更适合当成一个方向而不是一个主张。至少消费级硬件这个约束会逼出真正的效率工作，而那类发现通常是可迁移的。

💡#52

@DeFiDec0ded
https://x.com/DeFiDec0ded/status/2085378437514957110
他论证 Karpathy 的 autoresearch 之所以有效只有一个结构性原因：agent 不能修改评估器。明确的保留、丢弃、记录、停止四条规则，才是把真实进展和昂贵烧 token 区分开的东西。这是当天贯穿全场那个主题最简洁的一句表述，它同时解释了成功案例和别处出现的奖励黑客失败。如果本期文摘你只带走一条设计原则，就带走这条。

💡#53

@JoshARosen
https://x.com/JoshARosen/status/2085324743364763815
他梳理了 agent 循环获取上下文的三种方式：agent 自己去拉；harness 充当即时物化层，在旁边替它跑腿；或者提前把上下文计划建模好，由运行时挑一条路走。把这三条清晰地命名出来很有价值，因为大多数实现是稀里糊涂地把它们混在一起。尤其是即时物化层这个说法，指向了 harness 本该做但大多没做的一块工作。这是对一个通常被含糊讨论的领域的很好的词汇贡献。

💡#54

@youdontsayhmm
https://x.com/youdontsayhmm/status/2085398818040758683
他发现 agent 在工作方式和指令上需要自由，但在测试和工具上需要结构。他一旦把 agentic 循环本身结构化得太死，效果就下降了。这个不对称就是洞见所在：约束验证面，不要约束探索面。它也解释了为什么那么多精心搭建的 prompt 脚手架，反而跑不过工具更好的简单方案。

💡#55

@polydao
https://x.com/polydao/status/2085320228490113113
他分享了一篇论文，讲单个 agent 循环如何取代一整支量化交易团队。他形容这是循环工程的最极端形态，考虑到量化工作本来就有很大一部分是指标驱动的搜索，这个说法是公道的。交易特别适配，是因为评估器毫不含糊、反馈又快。显而易见的警告是：目标越清晰的领域，也越容易被过拟合掉目标本身。

💡#56

@Suryanshti777
https://x.com/Suryanshti777/status/2085249572524245394
他回应 Alexandr Wang 的说法：只要有对的 agentic 循环和评估，一群 agent 就能胜过一支百人工程团队。他的解读是，稀缺技能会转移到「设计 agent 所优化的那个循环」上。这和本期文摘里几乎每一个具体结果都吻合，那些结果的好坏跟评估器质量的相关性都强过跟模型选型的相关性。不太舒服的推论是：大多数组织里根本没有人写得出那个评估器。

💡#57

@Alex_Garneauu
https://x.com/Alex_Garneauu/status/2085391113272041906
他在问，到底有谁在为非编码工作流做 agent 循环的工程化工具，并坦承自己的评估循环就是靠感觉加时不时来一阵优化。这是对软件工程之外那些领域现状的诚实描述。编码之所以先拿到工具，是因为测试本来就存在，而其他每一个领域还在临场发挥自己的评估器。他描述的这个缺口，大概是这个领域眼下最大的开放机会。

📡 生态产品雷达

生态产品雷达
Prime Agent，当天讨论度最高的系统，同时出现在一篇架构讲解、一篇扒源码的怀疑性审计、一次 Android 移植、一份代理公司服务剧本、一篇监管长文和一份安装指南里。
pi 与 pi-autoresearch，好几个最扎实的实测结果都跑在它上面，从单元测试 2 倍提速到视觉骨干 4 倍加速，另外还长出了扩展生态，甚至有单片机移植版。
Karpathy AutoResearch，所有人对标的参考实现，既出现在胜绩里，也出现在一次明确的负面结果、一次本地模型移植，以及当天关于它为何有效的最佳解释中。
Opus 5，长时间无人值守跑批的默认重型模型，也是 95.5% ARC-AGI-3 那个数字背后的模型，同时又是大家正在主动换掉以削减成本的对象。

← 上一篇

超级用户日报: 2026年8月8日

灵感雷达: 2026年8月8日

← 返回所有文章

加载中...

Loop 日报: 2026年8月8日

相关文章

评论