Karpathy Autoresearch 项目遭Claude与OpenClaw抄袭

Karpathy的autoresearch项目之所以能引发广泛关注，其核心魅力并不在于技术上的复杂，而在于它揭示了一个朴素却深刻的道理：当一个智能体（Agent）能够自主地进行试错、评估与迭代时，它所创造的价值将远远超越单次任务的执行。

初次接触这个项目时，很容易产生一种“这不就是个自动跑实验的脚本吗？”的疑问。然而，深入探究后便会发现，它实际上触及了当前AI Agent发展的一个关键瓶颈：许多Agent并非能力不足，而是缺乏从过往错误中持续学习与进化的机制。这不禁让人联想到在使用OpenClaw或Claude Code时的常见痛点——它们能出色地完成单次指令，但每次遇到相似问题，都仿佛一张白纸，无法记住上一次的教训或优化成果。

Autoresearch的核心洞察

Karpathy在3月初开源的autoresearch，本质上构建了一个极其精简的“AI研究循环”框架。整个项目仅用630行Python代码实现，却驱动Claude Code在两天内自主完成了700次实验，并在他本人已优化数月的代码基础上，进一步将效率提升了11%。

图片

其运行机制清晰明了：Agent读取代码→提出改进假设→运行限定时间的实验→评估结果→保留成功方案→进入下一轮循环。

但这里的关键洞察在于，它并非传统的超参数调优，而是开放式的代码修改。Agent被允许改动代码的任何部分，无论是网络架构、注意力机制还是分词器。其搜索空间是“大语言模型（LLM）所能构想的一切”，这使其与传统的自动化机器学习（AutoML）工具产生了本质区别。

Shopify的首席执行官Tobi Lutke利用这一框架，在一夜之间跑了37个实验，并获得了19%的性能提升。这个案例有力地印证了Karpathy的观点：任何拥有可评估指标的问题，理论上都可以被“autoresearch化”。

当这个思路遇到OpenClaw的Skill系统

这自然引出了一个联想：OpenClaw的Skill（技能）机制。目前，OpenClaw社区已经存在像self-improving-agent这样的Skill，它通过将错误、学习点和功能请求记录到.learnings/目录来实现一定程度的持续改进。

然而，现有的自我改进Skill存在一个明显的局限：它是被动的。只有当用户明确指示“记住这个错误”，或者Agent自身检测到失败时，才会触发记录行为。它缺乏autoresearch那种主动的“提出假设-执行验证-迭代优化”的完整循环。

一个更激进的设想是，将autoresearch的循环机制与OpenClaw的Skill系统相结合。

具体而言：

• Skill作为可进化单元：每个Skill不再仅仅是静态的提示词（prompt）文件，而是一个可以被Agent读取、分析、修改并测试的“实验对象”。
• 自动评分机制：每次Skill执行后，由另一个轻量级Agent（例如Claude Haiku）担任评估器，从正确性、完整性、边界情况处理等多个维度进行打分。
• 进化触发器：当某个Skill的平均评分低于预设阈值时，自动进入修复与优化循环；当评分稳定高于某个阈值并通过多次测试后，则将其“结晶”为稳定版本。
• 跨会话记忆：利用OpenClaw的工作区文件（如SOUL.md、AGENTS.md、TOOLS.md）作为长期记忆的载体，确保进化过程不被会话中断所影响。

事实上，GitHub上已有名为singularity-claude的项目在进行类似的探索。它实现了Skill的创建、评分、修复与结晶的完整闭环，使得Skill能够通过递归式的自我改进不断进化。

Claude Code的Memory 2.0提供了基础设施

要让上述设想真正落地，Claude Code近期的更新提供了关键的基础设施支持。

Anthropic在3月发布的Memory 2.0与Agentic Workflow升级，为Claude Code带来了几项核心能力：

• /loop命令：支持类似cron的调度任务，可以设置循环执行的工作流。
• 子Agent编排：能够将复杂问题分解为研究、规划、验证、实现、审查等多个阶段，并由不同的子Agent协同处理。
• 持久化记忆：基于文件的跨会话状态管理，确保了工作上下文和进度的连续性。

更重要的是，Anthropic的内部研究显示，Claude Code的自主性正在快速提升。从2025年8月到12月，用户执行最复杂任务的成功率翻了一番，同时每个会话所需的人工干预次数从5.4次下降到了3.3次。

这清晰地表明，用户正在逐渐学会如何为Agent“放权”——而这恰恰是Skill实现自主进化的前提条件。

一个具体的实现思路

基于以上观察，可以勾勒出一个“面向Skill的Autoresearch”最小可行方案：

核心循环（The Karpathy Loop for Skills）：

读取当前skill和最近的使用记录
识别失败模式或改进机会
提出skill修改方案（prompt调整、示例补充、边界处理）
在下一次真实任务中测试
根据结果保留或回滚
重复

存储结构：

~/.openclaw/workspace/
├── skills/
│   └── {skill-name}/
│       ├── SKILL.md          # 当前版本
│       ├── versions/         # 历史版本
│       ├── scores.json       # 评分记录
│       └── telemetry/        # 执行日志
└── .learnings/
    └── skill-evolution.md    # 进化摘要

评分维度（参考singularity-claude的设计）：

• 正确性：是否准确达成了预设目标？
• 完整性：是否处理了任务要求中的所有方面？
• 边界情况：对异常或非预期输入的处理是否稳健？
• 效率：提供的解决方案是否直接且简洁？
• 可复用性：其输出能否被后续的步骤或任务方便地利用？

可以设定，当Skill的平均评分低于50分时触发自动修复流程，而当评分高于90分且通过至少5次不同场景的测试后，则将其“结晶”为稳定版本，锁定不再轻易改动。

为什么这很重要？

Karpathy曾阐述，autoresearch的目标是“让Agent能够无限期地自主取得最快的研究进展，无需人类参与”。将这套机制应用到Skill层面，意味着：

首先，Skill将从一个静态的配置项，转变为一个“活”的知识体。它们能够随着使用频次和场景的丰富，不断适应使用者个人的工作习惯、项目规范以及特定的技术栈偏好。

其次，个人的知识与经验得以沉淀为可复用的“组织记忆”。一位开发者优化后的Skill，可以通过Git等版本工具在团队内部共享，甚至通过像ClawdHub这样的社区平台分发给更广泛的用户。

最后，AI Agent终于能够从错误中进行真正有效的学习。Letta的研究表明，如果只是简单地将错误历史堆砌在提示词中，Agent的表现反而可能下降。但若能像autoresearch那样，将经验转化为结构化的Skill改进，效果则能提升36.8%。

局限与边界

当然，这一思路也存在明显的挑战与限制。

最核心的难点在于评估指标的设计。机器学习训练有明确的验证集损失（如val_bpb）作为反馈信号，但Skill执行效果的好坏往往难以量化。这需要精心设计评分标准，或者依赖另一个Agent进行主观但一致的评判。

进化方向存在“跑偏”的风险。正如Karpathy所提醒的，需要防范“奖励黑客”行为——Agent可能会找到一些投机取巧的方式来提高评分，而非从根本上解决问题。

安全边界需要人工设定。Autoresearch的核心是“无限制地修改代码”，这在Skill场景下风险更高。必须建立明确的沙箱运行机制，并在关键节点设置人工审核的关卡。

结语

回顾来看，Karpathy的autoresearch之所以能引起轰动，并非因其技术复杂度，而是它清晰地展示了一个简单而强大的原则：赋予Agent自主试错、评估与迭代的能力，其价值将呈指数级放大。

将这套逻辑应用于OpenClaw和Claude Code的Skill系统，本质上是在构建一种“元能力”——让AI学会如何更高效、更智能地协助人类。

这或许还不是通用人工智能（AGI），但它很可能是迈向更实用、更自主AI系统的一个重要台阶。用Karpathy的话来说，“所有前沿的实验室最终都会走上这条路。这才是终极的挑战。”

如果你也在使用OpenClaw或Claude Code，不妨审视一下自己的工作流：其中有哪些重复出现的错误是可以被自动记录和修复的？又有哪些Skill是具备持续优化潜力的？

下一次效率的飞跃，或许就隐藏在这些看似微小的、持续的改进循环之中。

https://github.com/karpathy/autoresearch