问题描述：

给 AI 一个最小闭环，它能走多远

autoresearch 发布一个月后，社区把它的边界推到了哪里

在 karpathy/autoresearch 刚开源出来时，我也试着把它迁到一个 auto-flappy-bird 的小场景里。跑了十几轮以后，训练出来的模型已经可以比较稳定地飞过 20 多个管道。

但我很快意识到，是它不仅能迁到一个强化学习任务里，而是它把“有对象、有评测、有预算、可回滚”的最小闭环压得足够小。小到你会自然开始追问：这套东西还能被用到哪里去？

现在一个多月过去了，社区里冒出来一批 fork、讨论和衍生项目。我回过头重新看这批东西时，忽然注意到，autoresearch 精神最浓缩的表达，其实就是原实验思路提示词里的：

[!important]
NEVER STOP : Once …

我后来越看越觉得，社区过去一个月里真正值得看的那些探索，几乎都在回答同一个问题：

怎样让一个每几分钟就会停下来的实验，尽可能长成一个不会停下来的研究系统。

这也是为什么我现在不太想再写“autoresearch 是什么”。大家差不多都知道了。现在更值得追踪的是，一个月过去，社区到底把这套东西扩展到了哪里。

先说原点：autoresearch 为什么会火

autoresearch 原版其实很小。人写实验思路提示词 program.md，agent 改算法 train.py，而 prepare.py 负责数据和评估，agent 不能碰。每轮实验给固定预算，跑完看分数，决定 keep 还是 revert，然后继续下一轮。

从代码结构上看，它并不复杂。

但它第一次把一件事压缩得非常清楚：局部可改对象、固定评测、固定预算、可回滚。