Autoresearch
让编程 Agent 在单张 GPU 上运行模型训练实验，并在固定训练预算下比较改动效果。
- 软件开发流程
- Agent 工作流
- 性能优化
Andrej Karpathy
Andrej Karpathy 公开了两种使用语言模型的方法：让编程 Agent 在单卡环境反复执行训练实验，以及让 Agent 持续维护相互链接的 Markdown 知识库。
关于 Andrej Karpathy
Karpathy 的公开作品涵盖语言模型训练，以及怎样把模型用到具体工作中。在 Autoresearch 中，编程 Agent 有一份可以改动的训练脚本、一段固定的训练时间和一个评价指标。研究者可以结合实验日志与 Git 历史，核对哪些改动带来了可测量的变化。
LLM Wiki 关注知识的长期维护。能操作文件的 Agent 从原始资料提取信息，生成互相引用的 Markdown 页面，并在新证据出现时修订已有条目。Karpathy 通过 GitHub Gist 公开了这套设计，读者可以用它来定义自己工作区里的知识库。
Autoresearch：由 Agent 执行的训练实验
上游项目展示了 Agent 如何在固定训练预算下迭代。仓库中的实验指引说明了可改动的范围，以及怎样记录成功和失败的运行。
探索其他发布者
了解其他发布开放工具、项目与 Agent Skills 的个人和团队。
常见问题
Autoresearch 实际执行什么？
编程 Agent 修改训练脚本，运行短时模型训练并记录结果。默认用验证集每字节比特数衡量效果。
试跑官方实验需要什么？
官方配置需要单张 NVIDIA GPU、Python 3.10 或更新版本以及 uv。README 单独列出了社区移植版本。
Autoresearch 文档提到了哪些 Agent？
README 提到了 Codex 和 Claude。先确认基线训练能运行，再从仓库中启动 Agent，并提供实验指引。
怎样比较 Autoresearch 的实验结果？
固定数据、评估设置、GPU 和每次训练的时间预算，比较验证集每字节比特数，再核对改动记录。
Karpathy 发布的 LLM Wiki 是什么？
它是一份关于如何由 Agent 建立和维护个人知识库的设计说明。原始 Gist 介绍了文件结构、更新流程和源资料的角色。
做 LLM Wiki 一定要用 Obsidian 吗？
Karpathy 用 Obsidian 浏览知识库。只要工作区允许 Agent 读取原始资料并编辑知识库，也可以用其他工具查看这些 Markdown 页面。