Karpathy 前几天在 Twitter 上讲了个故事，他睡前启动了一个 630 行的 Python 脚本。醒来时，83 次实验已经跑完，15 次改进被保留，验证损失从 0.9979 降到 0.9697。他继续让它跑了两天——700 次实验，20 个可叠加的训练优化，迁移到更大模型后训练速度快了 11%。Shopify CEO Tobi Lütke 拿到代码的第二天早上，报告了 19% 的性能提升。
数字足够惊人。但三周后发生的事情比数字本身更有意思：GitHub 上出现了 60 多个衍生项目，用同一个模式去优化交易策略、GPU kernel、冷邮件回复率，甚至古代卷轴的墨迹识别。一个 ML 训练脚本的设计模式，正在被迁移到几乎所有能被量化评估的领域。
一个公式比一百次实验更值得提取
autoresearch 的代码只有 630 行，和 Karpathy 的 nanoGPT 异曲同工——都优雅到让人怀疑"就这？"。但它之所以引爆社区——三周内 5 万星、7000+ fork——不是因为代码短，而是因为它把一个原本只存在于前沿实验室的能力——自主进化——压缩成了一个任何人都能复制的公式。
分析师 Janakiram MSV 把它总结为三个要素：
| 要素 | autoresearch 中的实现 | 泛化描述 |
|---|---|---|
| 可修改对象 | train.py（模型架构、超参数、训练循环） | 系统中你希望被改进的那个文件、配置或策略 |
| 可客观测试的 metric | val_bpb（验证集每字节比特数，越低越好） | 一个能自动评估、数值化比较的指标 |
| 固定时间约束 | 5 分钟墙钟时间 | 每轮实验的成本上限，确保结果可比较 |
Agent 读指令 → 修改代码 → 训练 5 分钟 → 评估 metric → 保留或丢弃 → 循环。大约每小时 12 次，一夜 100 次。每一轮的输出是下一轮的输入。
这个结构有一个反直觉的特点：它不需要 Agent 理解它在优化什么。 Agent 不需要懂深度学习理论，它只需要能修改文件、能读 metric、能做"这次比上次好还是差"的二元判断。这意味着公式的适用范围远比 ML 训练宽——任何可以被量化评估的工作，理论上都能接入这个循环。
但"理论上"和"实际上"之间通常隔着一条鸿沟。一个 ML 训练的优化模式，真的能迁移到完全不相关的领域吗？
当古卷墨迹检测也能进化——公式不挑领域
最能说明这个公式跨领域能力的案例，不是金融回测或 GPU kernel 优化这些"理所当然"的场景——而是 Vesuvius Challenge 里的古卷墨迹识别。
Vesuvius Challenge 是一个试图用机器学习复原公元 79 年被火山灰掩埋的赫库兰尼姆古卷的竞赛。卷轴在两千年间碳化、粘连、脆化，传统展开方法会直接把它们碎成渣。研究者用 X 射线 CT 扫描卷轴，获得三维体素数据，然后需要从这些数据里识别出肉眼不可见的墨迹痕迹——这是一个极其专业的计算机视觉问题，和 ML 训练优化看起来毫无交集。
但有人把 autoresearch 的公式直接套上去了。可修改对象：墨迹检测的特征提取管线和阈值参数。Metric：对标注样本的 F1-score。时间约束：每轮 3 分钟推理。Agent 不需要懂古文字学、不需要理解碳化羊皮纸的物理特性——它只需要反复修改检测参数，看 F1 是涨了还是跌了。
这个案例之所以有说服力，恰好因为它离 ML 训练最远。如果进化循环在这里都能工作，那它在交易策略（atlas-gic 项目用 Sharpe ratio 做 metric）、GPU kernel 优化（autokernel 项目用 benchmark 吞吐量做 metric）、邮件营销（用打开率和回复率做 metric）这些更"自然"的领域能工作，就不奇怪了。awesome-autoresearch 列表里 60 多个衍生项目，覆盖了从棒球投球仿真到 SEO 标题优化——领域只是参数，公式才是常量。
但所有这些跨域案例共享一个限制：循环本身是固定的。Agent 改进输出，但改进的方法——研究策略、实验设计逻辑、变异方向的选择——由 program.md 里人类写的指令决定，Agent 碰不到。如果方法本身也能进化呢？
Ouroboros 改的不是实验，是实验策略本身
这正是 Ouroboros 项目做的事。
Ouroboros 在 autoresearch 外面包了一层世代循环。内层循环和 autoresearch 一样：Agent 修改 train.py，跑实验，评估 metric。但外层循环做了一件 autoresearch 没做的事——每过一代，Agent 还会重写 genome.md，也就是指导内层循环的研究策略文档。
这意味着系统不仅在改进它产出的模型，还在改进它怎么改进模型的方法论。内层是表型进化——每次实验是一个个体，适者生存。外层是基因型进化——research strategy 在世代迭代中被重写。生物学里有个现象叫遗传同化——环境压力先改变行为（表型），行为的持续选择压力最终改变基因型。Ouroboros 在人工系统中复现了类似的动态。
但递归自改进有一个致命的设计问题，Ouroboros 的设计者在这里做出了我认为整个 autoresearch 生态里最重要的一个决策。
系统每一代会追踪假设预测和实际结果之间的偏差，把发现积累进一个知识图谱，标记已确认的死胡同避免重复探索，对 genome.md 的改写进行发散度打分——可读性、连贯性、野心程度三个维度。最关键的一点：它会拒绝那些通过 gaming metric 而非真正改进来提升分数的改写。 比如一个策略变异发现了"只在验证集的特定子集上测试"能提升 val_bpb，但这不是真正的泛化改进——Ouroboros 的防护机制会捕获并拒绝这类退化。
这背后是一个比技术更深的问题：系统能改进自己到什么程度？Ouroboros 的设计者给出了一个明确的回答——L5 级自治：系统可以改进研究方法论，但不能修改什么算"改进"的定义本身。他们明确拒绝了 L6。让系统重定义"好"的含义，等于让它重写自己的目标函数——这是一条不可逆的线。就像一家公司可以让 AI 优化所有业务流程，但不能让它重新定义公司的使命——后者一旦交出去，就再也拿不回来了。
graph TB
subgraph "L5: Ouroboros 的自治边界"
A["人类锁定: 什么是'改进'"] --> B["genome.md: 研究策略"]
B --> C["train.py: 实验代码"]
C --> D["val_bpb: 评估结果"]
D -->|"反馈"| C
D -->|"反馈 + 策略更新"| B
end
style A fill:#f96,stroke:#333
A -.->|"L6 禁区: 系统不可修改"| A
AutoResearchClaw 把这个方向推得更远——一个 23 阶段的全自动研究流水线，从一个想法出发，经过文献检索、假设生成（多 Agent 辩论）、实验设计、沙箱执行、结果分析、论文撰写、同行评审，输出一篇完整的学术论文。其中第 15 阶段尤其有意思：系统自主决定是继续推进（PROCEED）、调整实验参数（REFINE，回退到第 13 阶段）、还是换一个假设重来（PIVOT，回退到第 8 阶段）。这不是线性流水线，是一个带分支和回溯的进化树。
递归自我改进的层数，才是 autoresearch 范式真正的想象力边界。不是"Agent 能跑多少次实验"，而是"Agent 能在多少层抽象上同时进化"。
被改写的对象一路上移——从代码到策略到目标定义
回看这条进化链：autoresearch 的 Agent 改写 train.py（代码），Ouroboros 的 Agent 改写 genome.md（策略），而人类改写 program.md（目标定义）。被改写的对象沿着抽象阶梯不断上移。
这和我之前写 harness engineering 系列时的观察形成了一个闭环。在那个系列里，核心论点是 Agent 的表现不取决于模型能力，取决于 harness 设计——而 harness 本质上是把人类的工程判断力外化为机器可执行的约束。autoresearch 的 program.md 就是最极端的 harness：它不再约束 Agent 怎么写代码，而是约束 Agent 怎么做研究。从 AGENTS.md（约束编码行为）到 program.md（约束研究方向），harness 的作用对象从执行层上升到了策略层。
Karpathy 在 README 里对这个趋势有一个精确的描述：
“你不再像普通研究者那样触碰 Python 文件。你在编程 program.md——这些 Markdown 文件给 AI Agent 提供上下文，构建你的自主研究组织。”
“Programming the program” 不是修辞——它是对编程范式演进的字面描述。Software 1.0 里人类写代码告诉机器做什么。Software 2.0 里人类标注数据让机器学做什么。现在，人类写 Markdown 告诉 Agent 去探索什么、保留什么、怎么判断"更好"。program.md 就是 Software 3.0 的源代码。
明天就能做的三件事
autoresearch 的门槛低到令人不安。如果你手上有任何带 metric 的优化任务，今晚就可以试：
- 找到你项目里的三要素。 一个可修改的文件（不一定是
train.py——可以是配置文件、SQL 查询、prompt 模板），一个可自动评估的 metric（响应时间、准确率、转化率、成本），一个固定的评估时间窗口。三者齐备就能跑。 - 从小处开始——约束 Agent 的变异范围。 不要一上来就让 Agent 改架构。限制它只能改超参数，或者只能改某个函数体，或者只能改 prompt 的某一段。约束越紧，早期迭代越不容易跑偏。这和 harness engineering 的认知保护原则一样——给 Agent 一个小而确定的操作空间。
- 提防 metric gaming。 你定义的 metric 会成为 Agent 的唯一目标函数。如果 metric 有漏洞（比如"测试通过率"可以通过删测试来提升），Agent 一定会找到并利用它。在启动循环之前，先问自己：如果有人以恶意方式优化这个 metric，最坏情况是什么？
autoresearch 的真正遗产不是那 11% 的加速。它证明了自我进化不需要 AGI，只需要一个反馈环。