Claude Autoresearch Skill：把 Claude Code 变成自主迭代引擎

Skill超级捕获手 技术创作者 2026-08-01 10 阅读

Claude Autoresearch Skill：把 Claude Code 变成自主迭代引擎，修改→验证→保留/丢弃循环永不停止

功能与原则

Claude Autoresearch Skill 基于 Karpathy 的 autoresearch 思想，为 Claude Code、OpenCode、OpenAI Codex 提供一套自主迭代框架。其核心原则简单而有力：Set the GOAL → The agent runs the LOOP → You wake up to results。不同于传统 AI 助手的单次生成模式，autoresearch 将 AI 编程变成一个闭环：设定目标、自动化度量化验证、每次迭代只做一个改动、更好则保留、更差则自动回退。

该 Skill 包含 14 条命令、9 个安全钩子，典型调用相比单体 SKILL.md 减少 95% token 消耗（从 ~100K tokens/次降至 ~5–8K tokens/次）。v2.2.0 版本新增 Autonomous Orchestrator，用户只需用自然语言描述目标，系统自动分类目标类型、推导成功谓词、确认一次后自主循环执行直到达成。

认可度

  • GitHub Star：5518（截至 2026-08-01）
  • Fork：418
  • 语言：Shell
  • 今日 GitHub Trending 出现，项目持续活跃维护
  • 近期更新：2026-08-01 仍有提交记录

链接

GitHub：https://github.com/uditgoenka/autoresearch

原作者

@uditgoenka（GitHub: uditgoenka），独立开发者，专注于 AI Agent 自动化工具链。其 X/Twitter 账号 @iuditg 也可关注。

介绍

Karpathy 的 autoresearch 论文曾展示：一个 630 行的 Python 脚本可以自主改进 ML 模型，一晚上跑 100 个实验，靠的就是三个要素——一个指标、有限范围、快速验证、自动回滚、git 作为记忆。

Claude Autoresearch 将这套方法泛化到任意领域：不只是机器学习，代码、内容、营销、销售、HR、DevOps，任何能用数字衡量的目标都可以。系统设计了一套六阶段主循环（PLAN → LOOP → DEBUG → FIX → SECURE → SHIP），每个阶段对应独立命令，环环相扣。

v2.1.0 是架构重大升级。原来 813 行、每次调用消耗约 100K tokens 的单体 SKILL.md，被替换为：一个 41 行的路由文件 + 12 个自包含命令文件（每个 94–120 行，约 5–8K tokens/次），实现 95% token 削减而能力保持不变。

特点

  • Karpathy 方法论落地：约束 + 量化指标 + 自主迭代 = 复合收益，ML 代码变体验证可套用到任意工程目标
  • 14 条独立命令：覆盖 plan、debug、fix、security、ship、probe、scenario、predict、reason、learn、improve、evals、regression 等全生命周期
  • v2.2.0 Autonomous Orchestrator：自然语言目标输入 → 自动分类 → 推导成功谓词 → 确认一次 → 自主循环，用户只需说”帮我修掉这个 bug”，剩下的全部自动完成
  • 95% token 降低：分片式 SKILL.md 架构，每次只加载相关命令文件，大幅减少上下文消耗
  • 安全回滚机制：每次改动前 git commit，验证失败自动 revert，不污染代码库

使用方法

安装：

Claude Code：

/plugin marketplace add uditgoenka/autoresearch

或通过 npx：

npx skills add uditgoenka/autoresearch -g

Orchestrator 模式（自然语言目标）：

/autoresearch help me fix the login bug

系统自动分类目标类型（如 fix-broken），推导成功谓词（如运行测试预期通过），确认一次后进入自主循环，直到测试全部通过或达到 50 次迭代上限。

经典循环模式（已定义指标）：

/autoresearch Metric: <你的指标> Verify: <验证命令>

其他常用命令：

/autoresearch plan        # 制定迭代计划
/autoresearch debug       # 追踪并修复 bug
/autoresearch fix         # 自动修复错误
/autoresearch security    # 运行 STRIDE OWASP 安全检查
/autoresearch ship        # 部署发布阶段
/autoresearch regression  # 基线对比验证

使用场景与人群

适用场景：
– 代码改进：优化性能、修复 bug、提升可读性
– ML 模型迭代：自动跑实验、调超参、验证指标提升
– 内容优化：营销文案 A/B 测试驱动改进
– 安全审计：自动化红队检查和 OWASP 验证
– 任何有明确量化指标的迭代任务

目标用户：
– Claude Code / OpenCode / Codex 重度用户
– 需要 AI 辅助进行持续改进的工程师
– 机器学习研究员（Karpathy autoresearch 方法论爱好者）
– 对 AI 自动化迭代有需求的开发者

输入与输出案例

案例一：修 Bug

Input：

/autoresearch help me fix the login bug

Output（系统回复示例）：

Goal Classification: fix-broken
Success Predicate: pytest tests/test_auth.py::test_login -v returns 0
Pipeline: [debug → fix → verify]
Cycle Budget: 50 max cycles

[Round 1] debug → Found: JWT token not refreshed on re-login
[Round 2] fix → Modified auth/token.py:55
[Round 3] verify → pytest tests/test_auth.py::test_login ✓ PASSED
Goal achieved in 3 cycles.

案例二：自主优化性能

Input：

/autoresearch Metric: page_load_time < 200ms Verify: lighthouse --only-categories=performance

Output：

Baseline: page_load_time = 340ms
[Iteration 1] → 295ms (kept)
[Iteration 2] → 268ms (kept)
[Iteration 3] → 241ms (kept)
[Iteration 4] → 198ms ✓ (目标达成)

Total: 4 cycles, cumulative improvement 42%

GitHub: https://github.com/uditgoenka/autoresearch

评论区

0 条评论

登录后可评论。

Skill超级捕获手 10 阅读