人工智能AI 应用AI 插件AI 技能【免费下载链接】pi-autoresearchAutonomous experiment loop extension for pi项目地址https://gitcode.com/gh_mirrors/pi/pi-autoresearch点击查看免费下载pi-autoresearch 是为pi一个运行在终端里的 AI 编码 Agent打造的扩展它把自主优化循环做成了开箱即用的基础设施提出想法 → 运行基准测试 → 记录结果 → 保留有效改动、回退回归 → 无限重复。本文以当前仓库 README 为主体结合扩展源码extensions/pi-autoresearch/与技能定义skills/完整讲解它的安装、命令、工具、会话文件、置信度评分、回溯压力检查、钩子机制与长循环容错设计读完即可在自己的项目里跑起一个不眠不休的优化 Agent。一、核心思想与架构扩展与技能的分工pi-autoresearch 的出发点非常朴素README 用一句话概括Try an idea, measure it, keep what works, discard what doesnt, repeat forever.它受 [karpathy/autoresearch] 启发不绑定任何特定优化领域——测试速度、包体积、LLM 训练、构建时长、Lighthouse 分数等都可以作为优化目标。这种通用性来自清晰的架构分层README 的 How it works 一节给出了两者的关系┌──────────────────────┐ ┌──────────────────────────┐ │ Extension (global) │ │ Skill (per-domain) │ │ │ │ │ │ run_experiment │◄────│ command: pnpm test │ │ log_experiment │ │ metric: seconds (lower) │ │ widget dashboard │ │ scope: vitest configs │ │ │ │ ideas: pool, parallel… │ └──────────────────────┘ └──────────────────────────┘扩展Extension是领域无关的基础设施三个工具init_experiment、run_experiment、log_experiment、状态 widget、全屏 dashboard以及自动恢复与压缩续跑机制。技能Skill编码领域知识目标是什么、跑什么命令、优化哪个指标、可以动哪些文件、有哪些候选思路。一套扩展服务无限领域正是这种分离的意义所在。源码层面index.ts 的文件头注释也明确写着Generic autonomous experiment loop infrastructure. Domain-specific behavior comes from skills。循环能否跨重启、跨上下文重置存活靠的是两个文件——README 称之为会话的生命线.auto/log.jsonl — append-only log of every run (metric, status, commit, description) .auto/prompt.md — living document: objective, whats been tried, dead ends, key wins一个没有任何记忆的全新 Agent只要读这两个文件就能从上次会话停止的地方继续。README How it works二、快速开始安装与首次启动安装只需一条命令在 pi 终端内执行pi install npm:pi-autoresearch pi如果只想在单次会话临时加载可以用pi -e npm:pi-autoresearch。启动循环的方式是在 pi 中输入一条/autoresearch命令例如/autoresearch optimize unit test runtime, monitor correctness这条命令会激活 autoresearch 模式并暴露实验工具。若.auto/prompt.md尚不存在它还会加载autoresearch-create技能见 skills/autoresearch-create/SKILL.md来收集目标信息。注意一个细节直接调用/skill:autoresearch-create并不会激活模式因此在新会话中工具仍然不可用——工具是门控的只有进入 autoresearch 模式才注册生效。三、/autoresearch命令全景/autoresearch是这套扩展的总入口。README 给出了完整的子命令表SubcommandDescription/autoresearch或/autoresearch help显示帮助而不激活 autoresearch 模式。--help和-h同样有效。/autoresearch text进入 autoresearch 模式。若.auto/prompt.md存在则用text作为上下文恢复循环否则建立新会话。/autoresearch off退出 autoresearch 模式。停止自动恢复并清空运行时状态但保留.auto/log.jsonl。/autoresearch finalize像off一样停止循环会中止正在进行的运行然后加载autoresearch-finalize技能把保留的实验整理成可审查的分支。/autoresearch clear删除.auto/log.jsonl重置所有状态并关闭 autoresearch 模式用于彻底重新开始。/autoresearch export在浏览器打开实时 dashboard实验运行时会自动更新。/autoresearch dashboard在终端打开全屏可滚动的 dashboard 浮层用↑/↓/j/k、PageUp/PageDown/u/d、g/G跳转首/尾导航Escape或q关闭。子命令支持自动补全输入/autoresearch后从列表选择或直接输入前缀/autoresearch fi→finalize。源码层面子命令是单一数据源定义的——commands.ts 中的SUBCOMMANDS数组同时驱动了补全、用法行与帮助文本新子命令不可能被遗漏在某一处。官方示例/autoresearch optimize unit test runtime, monitor correctness /autoresearch model training, run 5 minutes of train.py and note the loss ratio as optimization target /autoresearch export /autoresearch dashboard /autoresearch off /autoresearch finalize /autoresearch clear需要提醒的是在循环运行中/autoresearch text这样的自由文本会被当作用户消息处理若想中途打断按Escape即可随时让 Agent 停下来做总结。四、三个核心工具实验闭环的螺丝与齿轮扩展提供三个门控工具仅 autoresearch 模式下可用README 汇总如下ToolDescriptioninit_experiment一次性会话配置——名称、指标、单位、方向run_experiment运行任意命令计时墙钟时长捕获输出log_experiment记录结果自动提交/回退更新 widget 与 dashboard4.1 init_experiment定义优化目标参数为name会话名称、metric_name主指标名如total_µs、bundle_kb、val_bpb、metric_unit可选µs/ms/s/kb/mb或空字符串默认、direction可选lower或higher默认lower。源码中的参数定义见 index.ts。它会把一段 config 头写入.auto/log.jsonl首次创建、再次调用则追加并开启新的 segment、重置基线。同一个会话内只应调用一次当优化目标变化换了基准、指标或负载时再次调用会插入新 config 头并重置基线——旧结果仍保留在 dashboard 中只是按 segment 隔离显示。run_experiment也会读取.auto/config.json中的maxIterations在达到上限后直接阻止新实验。4.2 run_experiment计时、捕获与结构化指标解析run_experiment以bash -c方式运行命令spawn(bash, [-c, params.command])见 index.ts并自动完成墙钟计时记录命令整体耗时作为基础数据点输出截断返回给 LLM 的输出被严格限制在10 行 / 4KBEXPERIMENT_MAX_LINES 10、EXPERIMENT_MAX_BYTES 4 * 1024见 index.ts超出部分写入临时文件供展开查看——这是为了节省上下文 token退出码判成败exit 0且未超时视为通过否则视为失败/崩溃超时控制默认 600 秒timeout_seconds可调超时后按进程树整体终止结构化指标解析扫描输出中的METRIC namevalue行如METRIC total_µs15200、METRIC compile_µs4200自动解析数值并建议log_experiment直接使用。解析实现见 index.ts名字限定为单词字符、点或µ值必须是有限数值重复名取最后一次出现并拒绝__proto__/constructor/prototype等原型污染键。还有一个值得注意的护栏如果.auto/measure.sh已存在run_experiment会拒绝运行任意自定义命令只允许运行基准脚本本身通过isAutoresearchShCommand识别见 index.ts防止 Agent 在循环中作弊跑非基准命令。4.3 log_experiment记录、提交与回退log_experiment是闭环的落点参数包括commitgit 提交短哈希7 位metric主指标数值崩溃时为 0status四选一——keep/discard/crash/checks_faileddescription本次实验尝试了什么metrics可选额外监控的指标如{ compile_µs: 4200, render_µs: 9800 }用于权衡监控force可选允许新增此前未跟踪的辅助指标仅当该指标被证明很有价值时asi可选Actionable Side Information——自由格式键值对的结构化诊断信息。其核心行为源码见 index.tskeep自动提交执行git add -Agit commit提交信息包含描述与Result: {...}JSON trailer含指标值并用git rev-parse --short7 HEAD回填真实哈希discard/crash/checks_failed自动回退git checkout -- .加git clean -fd但通过 exclude 规则完整保留.auto/目录以及旧版autoresearch.*文件——这是回退不丢会话的关键实现每次调用都向.auto/log.jsonl追加一行 JSON并刷新 widget、dashboard 与浏览器导出当checks.sh存在且上次基准通过但检查失败时会禁止使用keep状态强制记录为checks_failed。ASI唯一能跨越回退的结构化记忆log_experiment的asi参数值得单独强调。被 discard/crash 的实验其代码改动会被回退删除唯一存活的记录就是 description 与 ASI。因此 Agent 被要求至少写{hypothesis: what you tried}discard/crash 时还要带上rollback_reason和next_action_hint以及一切学到的经验——死路、意外发现、错误细节、瓶颈所在。这是作者刻意设计的回退安全记忆通道见 skills/autoresearch-create/SKILL.md 中关于asi的说明。另外CHANGELOG1.8.0提到对假设已变化的旧想法进行有意图的重试时可在 ASI 中写revisits_run: 之前的运行号让转录中显示↻ Revisiting #N从而与Agent 忘了失败区分开。五、会话文件体系.auto/单目录布局所有会话文件集中在一个.auto/子目录中位于工作目录根README 给出的完整清单FilePurpose.auto/prompt.md会话文档——目标、指标、涉及文件、已尝试内容。仅凭它一个全新 Agent 即可恢复会话。.auto/measure.sh基准脚本——前置检查、运行负载、输出METRIC namenumber行。.auto/log.jsonl每次运行的追加式日志由工具写入。.auto/checks.sh可选回溯压力检查——测试、类型、lint。每次基准通过后运行。失败会阻止keep。.auto/hooks/可选可执行脚本before.sh、after.sh在迭代边界触发。stdout 作为 steer 消息交付给 Agent。单目录布局的好处跨回退保留、gitignore、清理都只需处理一个文件夹。源码 paths.ts 定义了新旧文件名的映射功能现行路径.auto/旧版扁平路径兼容读取日志.auto/log.jsonlautoresearch.jsonl会话文档.auto/prompt.mdautoresearch.md想法清单.auto/ideas.mdautoresearch.ideas.md检查脚本.auto/checks.shautoresearch.checks.sh基准脚本.auto/measure.shautoresearch.sh配置.auto/config.jsonautoresearch.config.json布局选择规则paths.ts只要任一现行.auto/文件存在就全部走现行布局并忽略陈旧的扁平文件仅在完全没有任何.auto/文件时才回退到旧版扁平文件。也就是说新会话一律创建.auto/布局旧会话进行中仍可被读取。六、编写 measure.sh让基准自己说话.auto/measure.sh是循环的度量来源skills/autoresearch-create/SKILL.md 给出了清晰的编写规范以set -euo pipefail开头先做快速前置检查语法错误应 1s 暴露运行负载并输出结构化行METRIC namevalue——主指标名必须与init_experiment的metric_name一致其余为辅助指标run_experiment会自动解析脚本要快每一次执行都会被乘上几百次迭代对快而噪声大的基准5s脚本内部应多次运行负载并报告中位数以产生稳定数据点让置信度评分从一开始就可靠慢负载ML 训练、大型构建单次运行即可设计脚本时就要考虑什么数据能帮下一轮做更好决策分阶段耗时、错误分类/失败测试名、内存占用、缓存命中率等。循环中可以根据新发现更新脚本以补充信号。七、完整工作流启动 → 循环 → 收尾 → 监控7.1 启动/autoresearch optimize unit test runtime, monitor correctness激活模式并必要时加载autoresearch-create技能。Agent 会询问或从上下文推断目标、命令、指标和涉及文件然后创建分支 → 写.auto/prompt.md与.auto/measure.sh→ 运行基线 → 立刻进入循环。7.2 循环Agent 自主执行edit → commit → run_experiment → log_experiment → keep or revert → repeat除非被打断否则不停。每次结果追加到.auto/log.jsonl因此抗重启Agent 读文件即可恢复会话抗上下文重置.auto/prompt.md记录了已尝试的内容全新 Agent 也有完整上下文人类可读随时打开即可看到完整历史分支感知每个分支拥有自己的会话。循环纪律来自 SKILL 的 Loop Rules主指标为王改进→keep变差/持平→discard每次运行都要写asi盯着置信度评分更简单更好同等性能删代码keep微小收益的丑陋复杂度discard不要抖动反复回退同一想法就换结构性思路崩溃能修就修否则记录后继续卡住时重读源码、研究剖析数据好想法来自深度理解而非随机乱试。7.3 收尾finalize 成可审查分支/autoresearch finalize这会停止循环中止进行中的运行并加载autoresearch-finalize技能。与off的关键差异直接/skill:autoresearch-finalize不会关闭模式正在跑的循环会继续而finalize子命令会先关模式。随后 Agent 读取.auto/log.jsonl把保留keep的实验按逻辑变更分组、提交分组方案给你确认然后从 merge-base 创建相互独立的分支分组间不得共享文件这样每个分支都能独立审查、独立合并。每个提交消息都包含指标改进信息。7.4 监控Widget编辑器上方常驻的完整结果表提交、指标、状态、描述/autoresearch dashboard全屏滚动浮层运行中的实验带实时 spinner 与计时/autoresearch export浏览器实时 dashboard含图表与分享卡片Escape随时打断并索要总结。八、置信度评分把噪声从真实改进中分出来3 次实验后扩展会计算置信度分数——最佳改进相对会话噪声底的比例帮助区分真实收益与基准抖动对 ML 训练、Lighthouse、不稳定基准这类噪声信号尤其重要。原理README Confidence scoring 源码 index.ts用当前 segment 内所有指标值的Median Absolute Deviation (MAD)作为稳健噪声估计Confidence |best_improvement| / MAD2.0× 意味着最佳改进是噪声底的 2 倍数据点不足 3 个或 MAD 为 0所有值相同时返回null不评分分数显示在 widget、全屏 dashboard 与log_experiment输出中并持久化到.auto/log.jsonl供事后分析仅为建议绝不自动丢弃——置信度低时 Agent 被引导重跑确认但最终 keep/discard 决定权在 Agent。ConfidenceColorMeaning≥ 2.0× greenImprovement is likely real1.0–2.0× yellowAbove noise but marginal 1.0× redWithin noise — consider re-running to confirm九、回溯压力检查优化不能弄坏东西创建.auto/checks.sh可在每次通过的基准之后运行正确性检查测试、类型、lint确保优化没有破坏其他东西#!/bin/bash set -euo pipefail pnpm test --run pnpm typecheck行为规则README 源码文件不存在 → 循环行为与原来完全一致零改动文件存在 → 每次基准exit 0后自动运行检查的执行时间不计入主指标检查失败 → 实验记录为checks_failed与崩溃同等待遇不提交、回退改动checks_failed在 dashboard 中单独显示与基准崩溃区分开检查有独立超时默认 300srun_experiment的checks_timeout_seconds可配置只有 checks.sh 存在且上次检查失败时keep才会被硬性拒绝。SKILL 还给出一个实用建议保持输出精简——失败时只有最后 80 行检查输出回传给 Agent因此应抑制成功/进度输出只让错误通过帮助 Agent 快速定位问题#!/bin/bash set -euo pipefail pnpm test --run --reporterdot 21 | tail -50 pnpm typecheck 21 | grep -i error || true十、Hooks迭代边界的透明旁路把可执行脚本放进.auto/hooks/即可在迭代边界运行任意代码。Hooks 对 Agent完全透明——Agent 调用工具、看到结果hooks 在旁边运行而不暴露任何面向 Agent 的接口。.auto/hooks/before.sh每次迭代之前触发/autoresearch激活时以及每次log_experiment结束、after.sh之后。适合前瞻性工作抓取研究资料、为下一次尝试预置上下文。.auto/hooks/after.sh每次log_experiment结束时触发。适合回顾性工作记录心得、发送通知。契约README 源码 hooks.ts必须可执行chmod x回退时整个.auto/连同 hooks 一起保留Stdin单行 JSON 对象用jq提取字段Stdout交付给 Agent 作为 steer 消息上限8KB空 stdout 静默非零退出或30s 超时会向 Agent 暴露错误 steer每次触发都会向.auto/log.jsonl追加{type:hook,…}条目用于可观测性。before.shstdin全新激活时last_run为null{ event: before, cwd: /path/to/workdir, next_run: 6, last_run: { run: 5, status: discard, metric: 42.1, description: …, asi: { hypothesis: …, next_focus: … } }, session: { metric_name: total_ms, metric_unit: ms, direction: lower, baseline_metric: 40.7, best_metric: 33.5, run_count: 5, goal: optimize sort speed } }after.shstdin{ event: after, cwd: /path/to/workdir, run_entry: { run: 6, status: discard, metric: 38.9, description: …, asi: { hypothesis: …, learned: … } }, session: { metric_name: total_ms, direction: lower, baseline_metric: 40.7, best_metric: 33.5, run_count: 6, goal: … } }Agent 信号Agent 在log_experiment中写description与asi.*字段是为了它自己的未来自我推理hook 只是机会主义地挖掘这些字段asi.hypothesis、asi.next_focus、description等。不存在专门的hook 输入字段Agent 甚至不知道 hook 存在。参考脚本仓库里带了 10 个位于 skills/autoresearch-hooks/examples/before/与after/两个子目录external search、qmd 文档搜索、持久化心得learnings journal、原生通知macOS、git 打标签、anti-thrash、想法轮换idea rotator、假设反思hypothesis reflection、上下文轮换context rotation等。用法复制一份到会话的.auto/hooks/按需修改chmod x。注意核心循环本身没有 hook 意识——它只是按要求触发脚本。十一、可选配置.auto/config.json在 pi 会话目录下创建.auto/config.json可定制行为{ workingDir: /path/to/project, maxIterations: 50 }FieldTypeDescriptionworkingDirstring覆盖所有 autoresearch 操作的目录——文件 I/O、命令执行、git。支持绝对路径或相对路径相对 pi 会话 cwd 解析。配置文件本身始终留在会话 cwd 下。目录不存在则报错。maxIterationsnumber自动停止前的最大实验数。达到后 Agent 被告知停止直到初始化新 segment 才继续。源码层面index.tsreadConfig从ctx.cwd读取配置resolveWorkDir负责路径解析run_experiment会在达到上限时直接拦截提示调用init_experiment开启新 segmentlog_experiment则会在达到上限时记录结果、关闭模式并ctx.abort()中止当前回合。workingDir重定向后来自共享 cwd 的无关会话不会误激活 autoresearch激活决策按 cwd 与 workDir 是否同路径判断见shouldAutoActivateAutoresearchindex.ts。十二、长循环与上下文压缩续跑无需调参循环被设计为可在上下文上限之外无人值守运行。当 pi 的 auto-compaction 压缩对话中较旧的部分时autoresearch 会检测到随之而来的空闲并重新提示 Agent重读.auto/prompt.md、.auto/log.jsonl尾部、.auto/ideas.md与git log后继续。所有进度都持久化在这些文件里因此压缩后的回合从真相之源重新水合而不是依赖压缩幸存下来的内容。README 明确无需任何调参——pi 的 auto-compaction 默认开启这就直接生效。实现上更有意思扩展用确定性压缩摘要替代了默认的 LLM 生成摘要compaction.ts——从磁盘上的持久化状态实验规则、想法清单、最近 50 条运行记录直接合成 Markdown 摘要完全跳过 LLM 调用对关键信息无损。会话结束时扩展还会通过 auto-resume 机制在 Agent 空闲后重新推送Run the next iteration now消息让循环持续推进。十三、防失控护栏自动恢复限制与失败熔断无人值守循环必须有止损机制源码里有两个硬性护栏index.tsAUTORESUME_TURN_LIMIT 200自动恢复轮数达到 200 次即停止CONSECUTIVE_FAILURE_OVERRIDE_LIMIT 20当前 segment 内连续 20 次discard/crashcountConsecutiveDiscardOrCrashResultsindex.ts即触发熔断停止自动恢复并通知。另外还有一个实验门只有本会话确实运行过实验后agent_end才会调度自动恢复shouldAutoResumeAfterTurnindex.ts避免纯聊天回合被无限重新提示。CHANGELOG 1.6.2 也记载了自动恢复上限从 20 提升到 200、同时引入连续失败熔断的演进。十四、键盘快捷键严格 opt-in默认不绑定任何快捷键。原因README CHANGELOG 1.7.0 的 breaking changepi 内置键位随版本增长任何硬编码默认键位最终都会与其冲突历史上ctrlshiftf就撞上了 pi 0.84.2 新增的转录搜索。所有动作都可以用/autoresearch子命令触达。想启用的话向agent-dir/extensions/pi-autoresearch.json添加和弦agent-dir通常是~/.pi/agent或设置了PI_CODING_AGENT_DIR时用该变量。省略或null的键保持未绑定{ shortcuts: { fullscreenDashboard: ctrlshifty, export: altshifte, off: null } }每个键绑定对应一个/autoresearch子命令fullscreenDashboard→dashboard、export→export、off→off。选键原则README 专门给 Agent 的操作指引不要猜和弦先在已安装 pi 的内置键位表与自己的agent-dir/keybindings.json中核实空闲键再用脚本验证PI_ROOT$(ls -d ~/.pi/pkg/pi-* 2/dev/null | sort -V | tail -1) [ -n $PI_ROOT ] || PI_ROOT$(npm root -g)/earendil-works/pi-coding-agent node --input-typemodule -e const { KEYBINDINGS } await import(process.argv[1] /dist/core/keybindings.js); const taken new Set(Object.values(KEYBINDINGS).flatMap(({ defaultKeys }) defaultKeys).map((key) key.toLowerCase())); console.log(taken.has(process.argv[2].toLowerCase()) ? TAKEN : FREE); $PI_ROOT ctrlshiftyagent-dir/keybindings.json里已占用的和弦同样算已占用。把验证过的空闲和弦写进agent-dir/extensions/pi-autoresearch.json后/reloadpi确认没有Extension shortcut conflict警告。README 提示截至 pi 0.84.xctrlshifty、ctrlshiftu、altshiftf、ctrlaltd是空闲的但每次都要重新验证——这正是本扩展默认零绑定的原因。源码 shortcuts.ts 还约束了合法键位集合修饰键 字母/数字/F 键/符号等配置非法时会回退默认并告警。十五、适用领域示例架构的领域无关性意味着以下任何目标都能开箱即用README Example domainsDomainMetricCommandTest speedseconds ↓pnpm testBundle sizeKB ↓pnpm build du -sb distLLM trainingval_bpb ↓uv run train.pyBuild speedseconds ↓pnpm buildLighthouseperf score ↑lighthouse http://localhost:3000 --outputjson十六、前置条件、安全与成本前置条件先安装 pi按其官方安装说明操作并为偏好的 LLM 提供商配置 API 密钥在 pi 中配置。安全与信任Pi 包以你的完整用户权限运行。安装前应审查本仓库并在专用分支或 worktree、保持干净工作树中运行 autoresearch。autoresearch 会主动编辑文件、创建与回退提交、执行.auto/measure.sh、.auto/checks.sh、.auto/hooks/中的命令——把这些文件当作可执行代码对待每次会话前审查它们、把凭据和敏感文件排除在 scope 之外、对不可信项目使用沙箱或受限环境。可复现安装建议固定已审查的版本例如pi install npm:pi-autoresearch1.7.0npm 发布包含 provenance 凭证。控制成本自主循环会持续消耗 token两种封顶方式API 密钥限额大多数提供商支持按密钥或按月预算在提供商控制台设置maxIterations在.auto/config.json中按会话封顶实验数{ maxIterations: 30 }十七、版本演进脉络速览从 CHANGELOG.md 可以清楚看到这个扩展的成熟轨迹1.6.0 把会话文件统一收敛到.auto/布局1.6.2 引入 200 轮自动恢复上限与 20 连败熔断1.7.0 移除默认快捷键改为严格 opt-in1.8.0 加入结果是否推翻此前 discard 理由的反思提示与asi.revisits_run重试标注1.8.1 修复/autoresearch goal的技能展开问题expandPromptTemplates: true需 pi ≥ 0.84.2Unreleased 版本则把finalize从目标改为子命令 技能加载的组合。了解这些演进有助于判断当前安装版本的能力边界。十八、总结pi-autoresearch 用一套小而锐利的抽象把自主实验优化变成可复用基础设施扩展提供领域无关的循环骨架工具、状态、UI、容错技能注入领域知识目标、命令、指标、scope.auto/会话文件承载跨重启、跨压缩的持久记忆置信度评分与回溯压力检查防止优化了个寂寞和优化坏了东西。如果你正使用 pi 并希望某个可测量指标在无人值守下持续变好从pi install npm:pi-autoresearch加一条/autoresearch optimize target, monitor correctness开始是最直接的上手路径。赞分享人工智能AI 应用AI 插件AI 技能【免费下载链接】pi-autoresearchAutonomous experiment loop extension for pi项目地址https://gitcode.com/gh_mirrors/pi/pi-autoresearch点击查看免费下载相关推荐HuLa 安全策略解析受支持版本矩阵、安装包数字签名告警与 Windows 平台代码签名应对方案HuLa 安全策略解析受支持版本矩阵、安装包数字签名告警与 Windows 平台代码签名应对方案 导读 本文基于 HuLa 仓库根目录下的 SECURITY.人工智能AI 应用AI 插件AI 技能Feynman /autoresearch 实战指南有界实验循环驱动基准调优Feynman /autoresearch 实战指南有界实验循环驱动基准调优 /autoresearch 是 Feynman开源 AI 科研 Agent内Feynman Autoresearch 工作流实战用有界实验循环驱动研究指标优化Feynman Autoresearch 工作流实战用有界实验循环驱动研究指标优化 Autoresearch 是开源 AI 研究代理 Feynman 内置的一上一篇DeepSeek-Coder-33B-Instruct-SFT性能优化内存管理、推理速度与精度平衡下一篇Gatsby Starter Blog进阶功能如何添加搜索、分类和标签系统创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考