Karpathy 发布 12 页指南：构建自我改进的多代理图
文章解读了 Andrej Karpathy 关于构建自我改进多代理图的 12 页指南。核心内容包括 Loop、Chain、Swarm 等架构模式，以及利用知识图谱作为共享内存的重要性。文中对比了 Karpathy 的工程实践与 Anthropic 的动态工作流，强调了未来 AI 应用的壁垒在于图谱工程和多智能体协作。
🏷️ 自我改进
4 篇如何基于 Codex 构建自我改进的外联系统
本文介绍了如何利用 Codex 构建一个自我改进的外联系统。通过将市场反馈记录为内存文件，Codex 自动评估并修改评分规则和话术配置，提交优化建议供人工审核，从而实现 GTM 策略的持续迭代与优化。
使用 Fable 5 构建自我改进 Agent 系统的 14 步指南
本文介绍如何利用 Claude Fable 5 模型构建具有复合能力的自我改进 Agent 系统。文章首先澄清了 Fable 5 作为 Mythos 级模型的定位，强调了其支持“长周期自主会话”和“自验证”的核心能力。作者指出，真正的自我改进并非模型权重的更新，而是通过 loops、dynamic workflows 和 routines 这三种原语，构建起包含记忆层和评估反馈层的环境架构。文章还详细阐述了如何根据任务复杂度在 Fable 5、Opus 和 Sonnet 之间进行成本最优的路由配置。
我连续跑了几个月 Hermes Agent，最后发现：99% 的人根本没用对 AI Agent
文章通过作者几个月的实际测试，深入探讨了 Hermes Agent 与 ChatGPT/Claude 的核心区别：Hermes 具备本地记忆、自我改进和经验沉淀能力，越用越懂你。文章详细介绍了安装步骤、模型选择策略（如 GPT-5.5 起步）、Telegram 消息配置及核心指令，并提出了将 AI 视为“长期员工”而非简单工具的 8 大应用场景与安全建议。