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。
作者认为大量阅读 AI 论文是入门 AI 领域的极佳方式，并以朋友韭二老师爆肝 60 篇论文后入职盛大 evermind 为例。同时指出在 X 上分发论文解读是一种起号方式，该赛道仍有空白。针对论文小白，作者推荐一体化 AI 科研工作台 Open-Science：内置科研 skills 的 Agent 可检索文献、梳理方法并输出报告；支持灵活接入 Codex、Claude 等模型；研究过程可回溯审核；支持动手复现论文计算与分析。复现 5 篇以上即可深入掌握 AI 领域知识，项目已开源。
文章探讨了AI工程领域的新术语“图工程”。它并非新发明，而是对多Agent协作系统的宏观视角，通过节点和边映射工作流、状态和依赖关系，解决复杂系统的架构与调试问题。
文章解读了 Andrej Karpathy 团队泄露的 CLAUDE.md 文件，包含 10 条核心原则。对比社区早期提炼的 4 条，新增的 6 条（先读代码、自我验证、调试、依赖管理、沟通、失败模式）针对的是无人值守的“交责任”场景，是实现 Loop 工程化和放手 Agent 的关键。
文章详细介绍了 Claude 的全新功能 'Cowork' —— 一个从单纯的聊天窗口演变为自主 AI 劳动力的执行引擎。作者通过 80 多小时的实战经验，讲解了 Cowork 的核心概念、正确的设置方法（如全局指令）、插件市场的生态（涵盖法律、营销等垂直领域），以及如何通过连接器（M365, Slack, Notion 等）将 Claude 无缝接入实际工作流，从而实现真正的自动化任务处理。
文章深入分析了 Andrej Karpathy 提出的“LLM Knowledge Bases”概念。Karpathy 批评了当前 RAG 模式缺乏知识积累的痛点，提出由 LLM 维护的一组持久化 Markdown Wiki 作为替代方案。文章拆解了该方案的“原始资料、Wiki层、规则层”三层架构，以及“摄入、查询、健康检查”的操作模式。作者结合 EverMind Memory 的产品视角，探讨了这一模式从单次交互向积累能力转变的行业趋势，以及“Idea File”作为新知识传播单位的潜力。
本文介绍了 Andrej Karpathy 提出的“LLM Wiki”个人知识库模式，即利用 AI 将原始资料编译成持久化的 Wiki，解决了传统 RAG 方案无法保留上下文和维护关联的痛点。作者详细解析了 Karpathy 的“Raw/Wiki/Schema”三层架构，并演示了如何利用开源桌面 AI Agent 工具 nexu 落地该模式，实现在微信随手入库、多模型切换及与 Obsidian 的协同工作，从而构建一个由 AI 维护的个人第二大脑。
受 Andrej Karpathy 启发，文章介绍了一种无需复杂软件、仅依赖文件夹和文本文件的 AI 个人知识库构建方法。通过 raw/、wiki/ 和 outputs/ 三层结构，结合 agent-browser 自动抓取工具和 Claude Code 等编程助手，用户可以将杂乱素材转化为结构化的个人维基。系统强调“复利”维护，主张用简单的模式文件替代花哨的工具，让 AI 自动整理、总结和关联信息，从而实现高效的知识管理。
作者分享了用 AI（Claude/Codex）通过 Mac 连接 Android 平板，几句话完成系统清理的实用技巧。提供的提示词涵盖五个方面：关闭广告和推广入口、按分类保留有用通知、更换带促销装饰的应用图标、停用无用预装应用（保留基础服务）、整理桌面布局。整个过程无需 root，适合优化新买的 Android 设备或帮家人清理手机。评论区还讨论了 WiFi 调试、iPhone Air + 安卓小平板的搭配，以及国内安卓系统广告难以关闭的现状。
文章介绍了通过 magpie 本地网关与 Kiro 订阅，在 Claude Code 和 Claude Desktop 中使用 Claude Opus 5.5 的方案。Kiro 是亚马逊的 Coding Agent 产品，作者利用 magpie 插件将 Kiro 订阅中的 Claude 模型反代给 Claude Code，省去单独购买 Anthropic API 额度。文章详解了技术原理（请求经 magpie 网关和 Kiro Auth 插件转发）、安装配置步骤（Kiro 付费计划、插件安装、模型选择），并说明如何通过路由记录、订阅用量和工具调用验证模型真实性。最后提醒账号政策风险、额度消耗、数据安全和兼容性等注意事项。
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。
作者受 yetone 分发的 AI 持续开发工作流启发，分享自己基于 Claude Code + Codex CLI 的开发实践。核心思路是：主 Agent 用 Claude Opus 负责需求分析、任务拆解、调度与审查，Codex 负责具体编码，低成本 Claude Subagent 监测 GitHub Issues/PR，并结合 Git Worktree 隔离任务。开发前强调明确需求、复用成熟开源组件（yt-dlp、Whisper、FFmpeg）、不断质疑想法；开发中通过 Human-in-the-Loop 让人负责体验与最终决策，AI 处理重复任务。文末附完整的可复用提示词。
Latent Space 首期「High Taste Testers」栏目中，五位 AI 重度用户在 OpenAI DevDay 2026 后畅谈产品真相。核心观点：模型前沿没有让人失望，产品执行让人失望；Dots 等功能藏得太深、远程执行与状态迁移未解决；Codex 桌面端更新频遭差评；行业应从 agent 转向 assistant，助手胜负在减负；Jev 决策模型改变的是成本曲线而非能力边界；信任是这一代模型的真正分水岭；分发与深度的矛盾注定产品分裂，各自占据生态位。
