标签
一条来自@cyrilXBT的推文赞扬了一篇关于代理系统图工程的论文，声称它能显著改善AI响应，并推广一个名为RankNow的垃圾竞标网站。
安德烈·卡帕西从零开始构建了一个LLM，并开源了所有代码，涵盖了数据集、训练循环和推理循环的完整流水线，延续了他通过micrograd和makemore简化AI教育的工作。
Andrej Karpathy 发布了 nanochat，一个极简的 LLM 训练框架，只需约 48 美元就能训练出 GPT-2 级别的模型，涵盖预训练、微调和强化学习全流程，代码量极少且完全透明。
A compilation of Andrej Karpathy's recent tweets covering a minimal GPT implementation, vibe coding an iOS app, and a detailed comparison of GPT-4.5 with earlier models, offering insights into AI testing and scaling.
Andrej Karpathy使用Opus 5进行实验，给它《指环王》的第一段和100万token的预算，让其创建故事的3D JS渲染，突显了LLM在超定制世界方面的耐力，同时指出了在多模态审计和游戏玩法方面的弱点。
讨论Andrej Karpathy将复杂技术讲清楚的能力，并引申到开发者关系（DevRel）的重要性，强调在AI时代这种能力愈发关键。同时分享了一位DevRel从业者的经历和感悟。
一个单一的 CLAUDE.md 文件为 Claude Code 提供了结构化的行为指南，源自 Andrej Karpathy 对常见 LLM 编码陷阱的观察，已获得 192k GitHub 星标。它旨在防止过度工程化、减少错误假设，并在 AI 生成的代码中贯彻简洁。
两个香港学生通过在原自动研究框架外再套一层循环，实现了5倍加速，无需更优模型或更多算力，被认为是对普通Agent开发者最有用的论文之一。
文章详细解析了Karpathy提出的llm-wiki方法：利用LLM将个人收集的原始资料编译成相互链接的维基页面，用户只管阅读和提问，不手动编辑。作者对比了RAG的局限，并提供了30分钟搭建教程，强调了schema文件对系统纪律性的关键作用。
作者使用Claude和AutoResearch等工具实验自我改进AI循环，表明递归自我改进不仅限于前沿实验室，还可以自动化新闻通讯的杂务。
介绍Karpathy Loop概念，让AI自动执行实验循环，用户无需实时交互，从而将工作效率提升10倍。
解释了Karpathy的reader3方法，该方法利用LLM作为私人导师，帮助读者逐章主动阅读，通过总结、问答和笔记，将被动阅读转化为持久理解。
红杉 AI 大会上，Karpathy 用近 30 分钟深入分享了编程范式的剧变，包括软件 1.0/2.0/3.0 框架、vibe coding、参差智能等概念，并给创始人提供了实操建议。
谷歌推出了Agents CLI，这是一个统一的命令行工具，集成了在Google Cloud上对代理进行搭建、评估和部署的功能，使编码助手能够在不切换上下文的情况下实践Agentic Engineering。
Andrej Karpathy 发布了一份文档，描述了一种代理架构，从基于提示词的交互转变为基于循环的系统，其中模型负责执行和记账，而人类拥有规范和边界，有效地将 Claude 转变为一个自主代理。
Andrej Karpathy加入了Anthropic，他个人的Claude.md配置文件被分享出来，通过与用户的思维风格对齐，极大地提升了Claude的回复质量。
Karpathy分享了一种方法，使用Claude完全自动化Obsidian笔记记录，将AI转变为维护者，读取新来源、构建结构化wiki，并运行矛盾检查，从而消除手动工作。
文章介绍了Andrej Karpathy提出的个人知识管理新方法——用LLM自动编译原始笔记为结构化Wiki，替代传统RAG，实现知识的复利增长。
Google宣布了Open Knowledge Format，这是一个基于Karpathy的LLM wiki概念的开放标准，旨在通过简单的Markdown文件为AI代理提供上下文。
awesome-autoresearch 是一个精选的 autoresearch 用例列表，本次新增条目将 Karpathy 的 autoresearch 模式应用到日常软件工程场景，提供具体模板降低工程师使用门槛。