Autoresearch

将 Claude Code、OpenCode 或 OpenAI Codex 转变为永不疲倦的改进引擎。

基于 Karpathy 的 autoresearch —— 约束 + 机械指标 + 自主迭代 = 复利增长。

"设定目标 → 智能体运行循环 → 你在收获中醒来"

你不需要 AGI。你只需要一个目标、一个指标和一个永不停止的循环。

支持 Claude Code、OpenCode 和 OpenAI Codex。包含 13 个命令，9 个安全钩子。每次调用 Token 消耗减少 95%。

工作原理 · 命令 · 快速开始 · 指南 · 常见问题

---

      PLAN              LOOP             DEBUG              FIX            SECURE            SHIP
 ┌──────────┐     ┌──────────┐     ┌──────────┐     ┌──────────┐     ┌──────────┐     ┌──────────┐
 │   Goal   │     │  Modify  │     │   Find   │     │   Fix    │     │  STRIDE  │     │  Stage   │
 │  Metric  │────▶│  Verify  │────▶│   Bugs   │────▶│  Errors  │────▶│  OWASP   │────▶│  Deploy  │
 │  Scope   │     │  Keep/   │     │  Trace   │     │  Repair  │     │  Red     │     │ Release  │
 └──────────┘     │  Discard │     └──────────┘     └──────────┘     │  Team    │     └──────────┘
/autoresearch:    └──────────┘    /autoresearch:    /autoresearch:   └──────────┘    /autoresearch:
  plan            /autoresearch     debug              fix          /autoresearch:      ship
                                                                     security

 ┌──────────┐     ┌──────────┐     ┌──────────┐     ┌──────────┐     ┌──────────┐     ┌──────────┐
 │  Probe   │     │ Scenario │     │ Predict  │     │  Learn   │     │  Reason  │     │ Improve  │
 │ Require- │     │   Edge   │     │  5-Expert │     │   Docs   │     │  Debate  │     │ Research │
 │  ments   │     │   Cases  │     │  Swarm   │     │   Gen    │     │ Converge │     │   PRDs   │
 └──────────┘     └──────────┘     └──────────┘     └──────────┘     └──────────┘     └──────────┘
/autoresearch:   /autoresearch:   /autoresearch:   /autoresearch:   /autoresearch:   /autoresearch:
  probe            scenario         predict           learn           reason            improve

                                                                                      ┌──────────┐
                                                                                      │  Evals   │
                                                                                      │ Analyze  │
                                                                                      │ Results  │
                                                                                      └──────────┘
                                                                                     /autoresearch:
                                                                                       evals

---

为什么存在这个项目

Karpathy 的 autoresearch 展示了一个 630 行的 Python 脚本如何通过遵循简单原则（单一指标、约束范围、快速验证、自动回滚、以 Git 作为记忆）在夜间自主改进 ML 模型——每晚进行 100 次实验。

Claude Autoresearch 将这些原则推广到了任何领域。 不仅仅是 ML——代码、内容、营销、销售、人力资源、DevOps，或任何你可以量化的事物。

v2.1.0 是一次重大的架构重构。 单体化的 SKILL.md（813 行，每次调用约 10 万 Token）已被替换为 41 行的轻量级路由文件和 12 个独立的命令文件（每个文件 94–120 行，每次调用约 5-8 千 Token）。在保持相同功能覆盖面的前提下，Token 消耗减少了 95%。

---

工作原理

LOOP (N iterations or until done):
  1. Review current state + git history + results log
  2. Pick the next change (based on what worked, what failed, what's u