文章指出，过去两年提升 AI 效果的关键在于写更好的提示词，但这一方法正逐渐失效，取而代之的是自主循环（loop）。文章以 Karpathy 的 autoresearch 系统为例：该系统两天内自动运行约 700 次实验，发现约 20 项改进。作者阐述了真正循环的五个阶段（发现、规划、执行、验证、迭代），强调验证、记忆和停止条件三大关键组件，并介绍了自愈式 GitHub 仓库的实践案例。最后，文章给出用 AGENTS.md、loop.py、verify.sh 三个文件构建第一个 AI 循环的入门方法，指出外部验证比增加另一个模型更重要。
文章探讨了 Coding Agent 能够自动运行实验后，递归自我改进（RSI）是否会导致智能爆炸。作者认为，RSI 需要满足成果回传、自我增强和收益超开销三个条件，但实际中面临组合困难、收益递减和资源瓶颈。通过 autoresearch 实践，作者发现初始化阶段和关键决策仍需人类参与，因此更认同 Nathan Lambert 提出的 LSI（有损自我改进）概念：AI 会显著提升研发效率，但改进收益在传递中会打折，难以仅凭局部进展推导出持续加速。
本文介绍了Listen Labs如何将Karpathy的autoresearch模式应用于不同模糊级别的任务，从客观指标优化到基于偏好的判断。作者分享了在查询时间优化、情感提取、研究代理等任务中的实践经验，并讨论了每个级别遇到的挑战，如指标相关性、奖励黑客和评估标准等。文章强调了清晰指标、迭代速度和人工监督的重要性。
文章介绍了 Andrej Karpathy 推广的“循环工程”概念，即通过 AI 自动化循环（目标设定、规划、执行、验证）替代传统的单次 Prompt 交互。文章阐述了循环的核心要素，分析了适用场景，并以 AutoResearch 为例展示了其在模型训练中的成效。此外，文章还讨论了构建循环的五大组件，并提出了“双层循环”等进阶优化方法。
本文记录了 Andrej Karpathy 与 Sarah Guo 的播客对话。Karpathy 指出自 2024 年底起，其工作模式已彻底转变为“指挥 Agent 干活”，通过 AutoResearch 实现递归自我改进。他讨论了 AI Agent 在编程与生活中的应用、开源与闭源模型的收敛，并指出了当前 AI 在可验证领域（代码）飞速进步，但在非可验证领域（如幽默）仍面临“参差不齐”的瓶颈。
本文介绍了基于 Andrej Karpathy 的 autoresearch 方法，通过建立评估 Checklist 和自动迭代循环，让 AI Agent 自动优化 Claude Skills。作者分享了将落地页文案 skill 通过率从 56% 提升至 92% 的实战案例，该方法同样适用于网站优化、邮件撰写等任何可量化的工作流。
本文介绍了作者尝试使用 Andrej Karpathy 发布的 autoresearch 工具，通过定义 program.md 让 AI Agent 自动编写代码、运行实验并迭代结果。为了简化流程，作者开源了 autoresearch-gen 工具，利用 LLM 生成脚手架代码并配备 Streamlit 仪表盘来追踪实验。文章还探讨了 AI 研究自动化趋势及其面临的上下文记忆和状态管理挑战。
