Claude Autoresearch：把Karpathy的"夜间实验"，变成你的编程工具箱

> GitHub: https://github.com/uditgoenka/autoresearch > 作者：Udit Goenka > 灵感来源：Andrej Karpathy's autoresearch

---

一、先讲个场景：你凌晨三点在做一件蠢事

假设你正在写一个小项目。性能测试告诉你：程序每处理1000条记录要3.2秒。你盯着代码，改了行缓存逻辑，重跑测试，3.1秒——快了一点点。你继续改，再跑，3.3秒——更慢了。你回滚，再改别的地方，再跑……

两小时后，你改了17次，其中有3次有效改进。你的咖啡凉了，眼睛花了，但还有12个想法没试。你关了电脑，明天再说。

Karpathy在2024年底提出了一个疯狂的想法：让AI来做这件事。你只需写一个program.md，告诉AI"优化这个程序，让它更快"，然后睡觉。第二天早上，AI已经做了100次实验，保留了8个有效改进，回滚了92个失败的。

这就是Karpathy的autoresearch——630行Python，极简到令人发指。但它有个问题：它是为机器学习训练优化的，你要改的不是训练脚本，而是网站后端、API服务、或者文档生成器。

Claude Autoresearch 就是来解决这个问题的。它把Karpathy的"自主迭代研究"范式，从ML领域解放出来，变成任何工程师都能装进Claude Code的通用工具。

---

二、核心概念：约束 + 机械度量 + 自主迭代 = 复利收益

Karpathy的autoresearch基于一个被反复验证的公式：

> 约束（Constraint） + 机械度量（Mechanical Metric） + 自主迭代（Autonomous Iteration） = 复利收益

什么意思？

约束：你不能让AI乱改一切。Karpathy的限制是：只改train.py里的参数，不改网络结构。Claude Autoresearch的限制是：你指定哪些文件可读、哪些可写。
机械度量：不能是"我觉得更好了"，必须是数字。比如"test覆盖率从65%到70%"、"bundle size从120KB到100KB"。
自主迭代：AI自己提出修改、验证、保留或回滚。人类只设定目标，不参与执行。

Claude Autoresearch把这个公式从"ML训练优化"泛化到任何可以被数字衡量的工程任务。

---

三、14个命令：你的自主迭代工具箱

Claude Autoresearch不是只有一个循环，而是14个专门化的命令，每个对应一种工程师日常做的事：

命令	做什么	场景
`/autoresearch`	经典迭代：改→验证→保留/回滚	任何有明确度量的优化
`/autoresearch:plan`	把目标转成可验证的配置	你不确定怎么度量时
`/autoresearch:debug`	假设驱动的bug猎杀	有bug但不知道在哪
`/autoresearch:fix`	把错误逐个归零	测试/类型/lint报错
`/autoresearch:security`	STRIDE + OWASP + 红队审计	发版前安全检查
`/autoresearch:ship`	8阶段发布流程	准备PR或部署
`/autoresearch:scenario`	12维度生成边缘情况	测试覆盖不足时
`/autoresearch:predict`	5个专家角色辩论	重大决策前
`/autoresearch:reason`	对抗性辩论+盲审	架构争议
`/autoresearch:probe`	8个角色盘问需求	需求模糊时
`/autoresearch:learn`	文档生成与验证	新代码库上手
`/autoresearch:improve`	研究PRD生成	产品迭代
`/autoresearch:evals`	分析迭代结果趋势	优化 plateau 时
`/autoresearch:regression`	基线对比稳定性检查	发版前验证

最酷的是v2.2.0的Autonomous Orchestrator：你直接输入一个自然语言目标（比如"优化这个React组件的渲染性能"），它自动： 1. 分类你的目标类型 2. 推导一个Success predicate（比如"FPS > 60"） 3. 确认一次 4. 自动选合适的子命令链式执行，直到满足predicate

你不需要手动选择命令链，AI会自己决定。

---

四、架构重构：从"大部头"到"薄路由+模块化命令"

v2.1.0是一个重大架构重构。之前是813行的monolithic SKILL.md，每次调用要~100K tokens上下文。现在拆成：

41行的路由文件（SKILL.md）
12个独立命令文件（每个94-120行）
每次调用仅~5-8K tokens

95%的token reduction。

这意味着什么？

更快：Claude Code的上下文加载更快，响应更迅速
更便宜：每次调用消耗的API token更少
更清晰：每个命令独立维护，不容易互相干扰
更安全：9个hook独立运作，不依赖主文件

这是一种微服务化思维：把一个大技能拆成多个小技能，按需加载。

---

五、9个安全Hook：你的代码不会半夜被删掉

自主迭代最怕什么？AI失控。 比如半夜把node_modules提交了，或者把.env里的密钥泄露了。

Claude Autoresearch的9个安全Hook是自动运行的（不只是autoresearch命令期间，而是每个session都生效）：

Hook	做什么	触发时机
scout-block	阻止`node_modules/`、`.git/`、pycache等进入上下文	每次工具调用前
privacy-block	阻止`.env`、SSH密钥、凭证被读取	每次工具调用前
dangerous-cmd-block	阻止`force-push`、`rm -rf`、`git reset --hard`	每次工具调用前
iteration-context	注入最近的TSV迭代数据	用户提交后
subagent-context	给子agent注入循环状态	子agent启动时
dev-rules-reminder	重新注入计划路径和代码规范	上下文压缩后
simplify-gate	400行警告，800行阻断	用户提交前
session-init	初始化项目上下文	session启动时
stop-notify	session结束通知+可选webhook	session结束时

这些Hook不需要你手动配置，默认全部开启。你可以单独禁用：

export AR_DISABLE_SCOUT_BLOCK=1
export AR_DISABLE_PRIVACY_BLOCK=1

但为什么要禁用？除非你知道自己在做什么，否则别开。

---

六、LOOP核心：8步，每步一个git commit

经典的/autoresearch循环是8步：

1. Review：读当前状态 + git历史 + 结果日志（TSV格式） 2. Pick：基于"什么有效、什么失败、什么没试过"，选择下一个修改 3. Modify：只做一个聚焦的改动（原子性） 4. Commit：在验证前就先提交（git作为实验记录） 5. Verify：运行机械验证（测试、基准、分数） 6. Keep/Revert：改善了→保留；更差了→git revert；崩溃了→修复或跳过 7. Log：把结果写入TSV日志 8. Repeat：重复直到迭代完成或目标达成

关键设计原则：

一次只改一个地方：如果崩了，你知道是哪里崩的
机械验证，没有"看起来不错"：所有判断必须是数字
Git是记忆：每次实验都有commit，agent读git log和diff来做下一步决策
自动回滚：失败的改动不会留在代码里

---

七、费曼视角：这真的有用吗？还是又一个AI工具炒作？

让我问几个费曼式的问题。

Q1：这和Karpathy原版有什么区别？

Karpathy的autoresearch是专用工具：为ML训练优化，约束是"只改train.py参数"。

Claude Autoresearch是通用框架：约束由你定义，度量由你指定，适用任何工程任务。但这也意味着它不会自动知道什么对你的项目好——你需要自己定义好度量和边界。如果你说"优化性能"但不给具体指标，它可能会把代码改得更快但更脆弱。

Q2：95% token reduction真的重要吗？

重要。在Claude Code里，上下文窗口是有限资源。100K tokens的SKILL.md意味着你每次调用都要加载一个"大部头"，剩下的窗口留给实际代码的空间就少了。拆成5-8K的小模块后，agent可以加载更多代码上下文，做更精确的修改。这是架构层面的优化，不是简单的"文件拆分"。

Q3：9个安全Hook是过度设计吗？

不是。自主迭代的工具如果没有安全边界，风险极高。想象一下：agent在循环中误读了你的.env文件，把密钥写进了日志，然后提交了。或者它为了"优化性能"把node_modules删了重新安装，结果破坏了依赖版本。Hook系统是必要的防护，不是过度设计。

Q4：这个项目的真正价值在哪？

我认为不是"14个命令"或"9个Hook"，而是它提出了一个工程哲学：

> 目标（Goal） + 度量（Metric） + 循环（Loop） = 可以交给AI的自主任务

这个公式是通用的。不管是优化性能、修复bug、生成文档、还是安全审计，只要你能定义"好"和"更好"的机械度量，就可以让AI自主迭代。

Claude Autoresearch的价值，是把这个哲学工具化、模块化、安全化。它不是在发明新概念，而是在把Karpathy的实验证明有效的东西，做成每个工程师都能用的skill。

Q5：局限在哪？

1. 度量定义成本：你需要花时间来定义"什么算好"。如果度量没定义好，AI会优化错的东西。 2. 只改不改对：和Karpathy原版一样，它优化的是"已有代码的参数和结构"，不是"提出全新架构"。如果你想让AI从零设计一个系统，这不是它的场景。 3. Claude Code依赖：这是Claude Code的skill，不是独立工具。如果你用Cursor、Trae或其他AI IDE，需要适配。 4. 多模态缺失：目前只支持代码和文本，图像、音频等模态的迭代优化不在范围内。

---

八、一句话总结

> Claude Autoresearch不是让你变懒，而是让你变"聪明地懒"——你设定目标、定义度量、划定边界，然后让AI在约束里自主探索。你省下的是机械重复的时间，但你需要花更多时间在"设计约束和度量"上。这是一种权责交换：人类负责思考什么值得做，AI负责穷尽怎么做。

Karpathy的原版证明了"让AI自主迭代ML代码"是可行的。Claude Autoresearch证明了"把这个范式泛化到任何工程任务"也是可行的。下一步？可能是让AI自己设计约束和度量——那才是真正的自主研究。

---

参考

Goenka, U. (2026). Claude Autoresearch Skill. https://github.com/uditgoenka/autoresearch
Karpathy, A. (2024). autoresearch. https://github.com/karpathy/autoresearch
相关智柴研究：Karpathy autoresearch 深度解读 (https://zhichai.net/topic/177168808)

#AI工具 #ClaudeCode #autoresearch #自主迭代 #工程工具 #Karpathy #费曼解读