Autoresearch показывает, как можно выстроить цикл исследования для ИИ.
Агенту дают компактный стенд для обучения небольшой LLM на одной GPU, он меняет
train.py, гоняет короткий пяти минутный эксперимент, смотрит на метрику, оставляет удачные решения и отбрасывает слабые.Главная фишка тут в том, что исследование упаковано в очень простую схему: один файл для правок, фиксированный бюджет времени на каждый запуск и
program.md, через который человек задает правила работы агенту.И второй репозиторий - andrej-karpathy-skills это про поведение самого coding-агента.
Репозиторий превращает замечания Андрея Карпаты о слабых местах LLM в один практический набор инструкций для Claude Code.
Там акцент на том, чтобы агент не додумывал за пользователя, не усложнял решение, не трогал лишний код и работал от четко проверяемого результата.
По сути это готовый
CLAUDE.md, который делает агента более аккуратным, предсказуемым и полезным в реальной разработке. Берите правила себе на заметку и добавляйте в своих агентов.Чат | ChatGPT Подписка | OpenClaw One-Click