大家好，今天给大家关注AI的朋友分享一个很火的开源项目，它是由Andrej Karpathy所提出的一种研究新范式，从当前来看，他所提出的观点很激进，或许在很多人看来这个观点非常的荒谬，但不得不很值得我们去关注一下，毕竟，最近一两年提出的一些新概念都已经在实际产品和工作上用起来了，所以说作为工程师还是应该多关注一下，毕竟像MCP、skill这些概念一样，最开始出来的时候很多人认为他是原有的技术上套壳子，然后取一个感觉很高级的名字发布出来，都认为它是没用的，但是现在呢，似乎我们都已经在工作中来深度使用了。

       回到我们的主题：autoresearch，最开始接触到这个项目还是在面试一家公司时他们给我的笔试题，让我去研究这个项目，还要我通过这个项目去参加一个kaggle比赛，还要写几份报告，当时我就觉得不对劲，一个面试怎么要做这么多，大概率是来骗方案的吧。不过后面我还是做了，接触完这个项目之后发现这个项目还挺有意思的，就继续看了下去。

       首先说一下这个项目的核心思想是什么，Andrej Karpathy提出的思想是不在由于人类手动去调参数、该模型、跑实验。而是用claude code/codex这些AI Agent来自己做：

但是这个项目重点并不是说去训练模型，而是“自动做AI Research”。

在这个项目中，具有三个关键文件，分别是：

这里我们先做一个小提示，通常我们在训练一个语言模型或者是其他什么模型的时候，或者是模型微调的时候，这里涉及到深度学习的一些知识点，比如说调超参数、特征工程这些东西，都是在模型训练中会涉及到的知识点，同时，优化模型的时候也是去修改这些内容，又叫做调参。这里简单给大家提一下，有一个基本的理解。回到项目本身，在实际工作过程中，AI Agent的工作循环如下图：

在整个过程当中，我们不会对AI Agent进行操作，最多是在最开始吧授权给他，我们首先必须要清楚一个问题，这个项目的创新点不是训练，而是用自然语言管理研究组织，意思就是未来的AI Research可能不是人来写代码，而是人写“研究组织规则”。也就是说我们会重点关注program.md这个文件，在未来它可能比train.py还重要一点。

       很多朋友可能会觉得这个东西太假大空了，如果真到这么一天了，程序员直接就可以不用干了，但是我并不这样认为。仔细想一下，如果我们能够将这种范式拓展到其他的细分领域，比如，自动代码优化、自动Prompt优化、自动工作流优化、自动Agent Skill优化等，那这个是不是就非常恐怖了，人只需要去进行管理，管理你要的工作目标，管理你真正想要得到的结果就好。甚至我还有过这样的想法，我这一两年做AI Agent开发工作比较多，那么我就在想，未来是不是这个工作完全能够被像autoresearch这样的思想范式影响到，我们只需要制定我们想要的最终输出，让Agent来为我们搭建流程就好了，说不定还真有那一天！

       这个项目的工作流程和提出来的思想我们说完了之后，我们在回到目前这个项目本身所在做的工作，

       项目本身是在做语言模型的训练，不过最终得到的模型是一个很轻量的模型，同时项目本身还需要显卡的支持，不多无论是目前的好的显卡还是消费级显卡，大多都能够带动项目本身来训练，同时GitHub上也出了MacOS、Windows、AMD各个平台的适配版本，各位朋友都可以去体验一下Andrej Karpathy他所提出的这样一种范式，看看以后的发展方向是怎么样的。项目本身的运行方法也很简单，只要将项目Git在自己的电脑上，然后再对应的项目下打开claude code或者codex之后，初始化完成之后输入一句话：Hi have a look at program.md and let's kick off a new experiment! let's do the setup first.接下来就不用管它了，只需要让他自己去运行这个行吗就可以。初始化的方式如下：

# 1. Install uv project manager (if you don't already have it)
curl -LsSf https://astral.sh/uv/install.sh | sh

# 2. Install dependencies
uv sync

# 3. Download data and train tokenizer (one-time, ~2 min)
uv run prepare.py

# 4. Manually run a single training experiment (~5 min)
uv run train.py

再下载依赖的时候可能会花多一点时间，这里会去下载pytorch依赖，项目本身的链接如下：Karpathy/autoresearch：人工智能代理自动运行单 GPU 纳米聊天训练研究 --- karpathy/autoresearch: AI agents running research on single-GPU nanochat training automaticallyhttps://github.com/karpathy/autoresearch?utm_source=chatgpt.com

autoresearch本身并不提供Agent，它只是Agent的运行环境+试验循环，真正干活的是claude code/codex/opencode这些。

       再熟悉了项目本身的逻辑之后，我再来看一下更高级的玩法，目前我们再使用claude code的时候，他只是一个单Agent再去进行工作，当然这对项目本身来说完全够了，项目本身的大小加上要做的工作也不大。但是当我们运用这个范式去做多Agent Research的时候，就变得更加高级了，比如Featurn Agent去做特征工程、Analysid Agent去做错误分析、Reflection Agent去总结规律、Memory Agent去管理实验历史等。

       我们再看这个项目的时候，重点应该去关注项目本身提出的这种研究范式，不要去过度关注模型训练的过程，如果能够将这种研究范式延申到其他地方，那也就说明我们能够把这种范式进行推广，能够大大助力工程师提高自己的工作效率。好的，项目本身的内容就说到这里，最好的了解方法仍然是自己动手去操作项目本身，这样才能理解其中的精髓，毕竟:

       纸上得来终觉浅，绝知此事要躬行！