今天的开源项目有些特别——来自 AI 领域传奇人物 Andrej Karpathy。autoresearch 是一个让 AI Agent 自动运行 LLM 训练实验的项目。它的理念是：给 AI 一个小型但真实的 LLM 训练环境，让它通宵自主实验，早上你醒来时，实验日志和（ hopefully）一个更好的模型就在那里等着你。
项目地址：https://github.com/karpathy/autoresearch
项目背景
Karpathy 在 2026 年 3 月的播客中提到，他自 2025 年 12 月以来几乎没写过代码。这句话震惊了整个 AI 社区。autoresearch 就是他分享的「秘密」——用 AI Agent 来自动做 AI 研究。你不需要手动调参、优化训练代码；你只需要写 Markdown 指令文档（program.md），让 Agent 按照指令去修改训练代码、运行实验、评估结果、决定下一步。
工作原理
这个仓库设计得非常克制，只有三个核心文件：
prepare.py——固定的常量、一次性数据准备（下载训练数据、训练 BPE 分词器）和运行时工具（数据加载器、评估）。这个文件不需要修改。
train.py——Agent 编辑的单个文件。包含完整的 GPT 模型、Muon + AdamW 优化器和训练循环。架构、超参数、优化器、批量大小等一切都可以改动。这个文件是 Agent 迭代修改的对象。
program.md——Agent 的基线指令。这是 Agent 的「技能文件」，也是人类迭代修改的对象。
设计亮点
固定时间预算：训练总是精确运行 5 分钟（不含启动/编译时间），无论你的硬件配置如何。这意味着每小时约 12 个实验，睡一觉就能积累近百个实验结果。这个设计的好处是：不同实验可以直接比较（因为时间相同）；autoresearch 能在固定时间预算内找到你这个平台上最优的模型配置。
单一修改文件：Agent 只修改 train.py，保持范围可控，diff 也便于人类审查。
Val PB 指标：验证集每字节比特数（越低越好），与词汇量大小无关，便于公平比较架构变更。
安装和使用
第一步，安装 uv 项目管理器（如果没有）：
curl -LsSf https://astral.sh/uv/install.sh | sh
第二步，安装依赖：
uv sync
第三步，一次性数据准备（约 2 分钟）：
uv run prepare.py
第四步，手动运行一次训练实验（约 5 分钟）：
uv run train.py
如果以上都正常运行，你就可以进入自主研究模式了——在仓库中启动 Claude/Codex（禁用所有权限），然后发送：
「Hi have a look at program.md and let’s kick off a new experiment!」
运行自主研究 Agent
program.md 文件本质上是一个超轻量级的「技能文件」。你只需要在 program.md 中描述你的研究目标，然后让 Agent 按照指令执行即可。Agent 会自动修改 train.py、运行训练、评估结果、决定下一步尝试什么。
支持的平台
当前代码需要单块 NVIDIA GPU（已在 H100 上测试）。社区也出现了一些第三方 fork：
miolini/autoresearch-macos（macOS）
trevin-creator/autoresearch-mlx（macOS MLX）
jsegov/autoresearch-win-rtx（Windows）
andyluo7/autoresearch（AMD）
开源协议：MIT 协议。
服务支持：如有兴趣不会搭建，可以联系微信：WRYD6166，开源项目搭建10-50元。
暂无评论内容