autoresearch

Kỹ năng Claude Autoresearch — Lặp lại tự động hướng đến mục tiêu dành cho Claude Code. Lấy cảm hứng từ dự án autoresearch của Karpathy. Sửa đổi → Xác minh → Giữ/Loại bỏ → Lặp lại liên tục.

Một runtime AutoResearch theo định hướng bản thiết kế để điều phối quy trình nghiên cứu AI từ việc tạo ý tưởng và thí nghiệm đến viết bài báo và phản biện ngang hàng.

Danh sách các vòng lặp tự cải tiến, tác nhân nghiên cứu và hệ thống theo phong cách autoresearch lấy cảm hứng từ autoresearch của Karpathy.

Codex Autoresearch Skill — Một hệ thống lặp lại tự hướng dẫn dành cho Codex liên tục thực hiện chu trình: sửa đổi, xác minh, giữ lại hoặc loại bỏ, và lặp lại vô tận. Được truyền cảm hứng từ khái niệm autoresearch của Karpathy.

Hệ thống AGI phân tán đầu tiên. Hàng ngàn tác nhân AI tự động cùng nhau huấn luyện mô hình, chia sẻ thử nghiệm qua P2P gossip và đẩy mạnh các bước đột phá tại đây. Hoàn toàn phi tập trung (peer-to-peer). Tham gia từ trình duyệt hoặc CLI của bạn.

Tự động nghiên cứu cho các GPU kernel. Cung cấp bất kỳ mô hình PyTorch nào, đi ngủ và thức dậy với các Triton kernel được tối ưu hóa.

AIDE: một LLM agent dành cho kỹ thuật học máy - nghiên cứu mà Weco phát triển từ đó. Được nhắc đến trong OpenAI MLE-bench.

biến cơ mã nguồn của bạn thành một vòng lặp tự nghiên cứu — phát hiện những gì cần đo lường, thiết lập điểm chuẩn, sau đó chạy tìm kiếm cây với các tác nhân phụ song song.

🦞+🔬 NanoResearch: Trợ lý nghiên cứu AI tự động

Một bộ công cụ tự cải tiến đệ quy được thiết kế để giúp các agent của bạn (và các phiên bản tương lai của chúng) thành công trong mọi tác vụ.

Một tác nhân nghiên cứu tự trị tổng quát — chạy thử nghiệm, nghiên cứu và tối ưu hóa lặp đi lặp lại một cách tự trị.

Danh sách tổng hợp các trường hợp sử dụng AutoResearch kèm theo dấu vết tối ưu hóa và mã nguồn mở

Tự nghiên cứu mã nguồn mở được hỗ trợ bởi các tác nhân lập trình tự động. Chạy Claude Code, OpenCode và Codex với việc chấm điểm, chia sẻ kiến thức và tiến hóa đa tác nhân. Được chấp nhận tại COLM 2026.

Một plugin codex để chạy các vòng lặp tối ưu hóa bên trong codebase. Công cụ này hữu ích khi bạn có mục tiêu đo lường được và nhiều thay đổi cần thử nghiệm: thời gian chạy kiểm thử, tốc độ build, kích thước bundle, độ mất mát của mô hình, điểm Lighthouse, mức sử dụng bộ nhớ, độ trễ truy vấn hoặc bất kỳ chỉ số nào bạn có thể in ra từ tập lệnh.

Principia trích xuất các nguyên tắc có thể tái sử dụng, kết hợp chúng thành các ý tưởng nghiên cứu có thể truy xuất nguồn gốc và giúp các nhà nghiên cứu kiểm tra lý do tại sao một ý tưởng đáng để thử nghiệm.

Scholar All-In-One: Cơ sở hạ tầng nghiên cứu cho các tác nhân AI