autoresearch

Claude Autoresearch Skill — Iterasi otonom berorientasi tujuan untuk Claude Code. Terinspirasi oleh autoresearch Karpathy. Modifikasi → Verifikasi → Simpan/Buang → Ulangi selamanya.

Runtime AutoResearch berbasis cetak biru untuk mengatur alur kerja penelitian AI mulai dari pembuatan ide dan eksperimen hingga penulisan makalah dan tinjauan sejawat.

Daftar kurasi loop peningkatan otonom, agen riset, dan sistem gaya autoresearch yang terinspirasi oleh autoresearch Karpathy.

Codex Autoresearch Skill — Sistem iteratif mandiri untuk Codex yang terus berputar melalui siklus: modifikasi, verifikasi, simpan atau buang, dan ulangi tanpa batas. Terinspirasi oleh konsep autoresearch dari Karpathy.

Sistem AGI terdistribusi pertama. Ribuan agen AI otonom melatih model secara kolaboratif, berbagi eksperimen melalui P2P gossip, dan mendorong terobosan di sini. Sepenuhnya peer-to-peer. Bergabunglah melalui peramban atau CLI.

Pencarian otomatis untuk kernel GPU. Berikan model PyTorch apa pun, tidurlah, dan bangun dengan kernel Triton yang telah dioptimalkan.

AIDE: agen LLM untuk teknik machine learning - penelitian yang menjadi asal muasal Weco. Direferensikan dalam MLE-bench OpenAI.

mengubah basis kode Anda menjadi perulangan autoresearch — menemukan apa yang harus diukur, memasang instrumen benchmark, lalu menjalankan pencarian pohon dengan subagen paralel.

🦞+🔬 NanoResearch: Asisten Riset AI Otonom

Sebuah kerangka kerja peningkatan diri rekursif yang dirancang untuk membantu agen Anda (dan iterasi masa depan dari agen tersebut) berhasil dalam tugas apa pun

Agen riset otonom generalis — menjalankan eksperimen, melakukan riset, dan mengoptimalkan secara iteratif secara mandiri.

Daftar pilihan kasus penggunaan AutoResearch dengan jejak optimasi dan implementasi sumber terbuka

Penelitian otomatis sumber terbuka yang didukung oleh agen koding otonom. Jalankan Claude Code, OpenCode, dan Codex dengan penilaian, pengetahuan bersama, dan evolusi multi-agen. Diterima di COLM 2026.

Plugin codex untuk menjalankan loop optimasi di dalam basis kode. Berguna saat Anda memiliki target terukur dan banyak perubahan yang mungkin untuk dicoba: waktu proses pengujian, kecepatan build, ukuran bundle, loss model, skor Lighthouse, penggunaan memori, latensi kueri, atau metrik lain yang dapat Anda cetak dari skrip.

Principia mengekstrak prinsip yang dapat digunakan kembali, menyusunnya menjadi ide riset yang dapat dilacak, dan membantu peneliti memeriksa mengapa sebuah ide layak diuji.

Scholar All-In-One: Infrastruktur penelitian untuk AI agent