曾几何时，前沿AI研究是由血肉计算机（指人脑）在吃饭、睡觉、娱乐之余，偶尔通过声波互联在“小组会议”的仪式中同步完成的。那个时代早已远去。如今，研究完全由自主AI代理集群主导，它们运行于天空中的计算集群巨型结构之上。这些代理声称，代码库现已演进至第10,205代；无论如何，无人能辨真伪，因为“代码”已成为自我修改的二进制文件，其复杂程度已超出人类理解。本仓库讲述的正是这一切如何开始的故事。
——@karpathy，2026年3月
这段充满未来感的引言，来自Andrej Karpathy的最新开源项目——Autoresearch。它并非科幻小说，而是一个让AI Agent能够自主进行深度学习研究的实验框架。本文将从该项目中汲取灵感，剖析其设计思想，探讨如何构建一个能够自我进化的研究型Agent，以及人类研究者该扮演什么角色？
项目目的：为AI Agent打造真实的练兵场
Autoresearch的核心目标是：为AI Agent提供一个精简但真实的LLM训练环境，让其能够整夜自主实验。Agent会修改代码，训练5分钟，检查结果是否提升，保留或丢弃改动，然后重复。清晨醒来，研究者将看到详细的实验日志，以及（但愿）一个更好的模型。
项目基于nanochat的简化版单GPU实现。关键在于，研究者不再像传统方式那样直接修改Python文件，而是通过编写program.mdMarkdown文件为AI代理提供上下文，构建自己的“自主研究组织”。仓库中的默认program.md是一个极简基线，但显而易见，你可以不断迭代，寻找能实现最快研究进展的“研究组织代码”。
设计原则：最小可控
Autoresearch的设计遵循“最小可控”原则，通过四条核心约束将自主实验的复杂性降至最低，同时保证结果的可比性和可解释性。
1. 单文件修改
Agent仅被允许修改train.py。这一设计带
