@Tsinghua_Uni EE 🛰 LoopX Creator · OpenViking Contributor ☁️ 4K+ on RedNote「观想人间的一团云」 Long-horizon Agent, RSI, Semantic Control Plane, Personal Agent
Joined December 2019
- Tweets626
- Following411
- Followers4.2K
- Likes2.2K
Pinned Tweet
开源项目 LoopX：超长程 Agent 自主运行 200+ hours，状态不漂移。
我的技术主张是：LLM 上下文有限，长程 Agent 需要外置状态，通过完备的状态管理、监督和规划，让 Agent 无人干预时跑得稳、持续有产出；有人干预时跑得更好，能吸收反馈继续演进。
两条真实 trajectory 分别跨越 220.7 / 272.9 小时，跨多轮执行、等待、人工决策、writeback 与 resume 后，整个 loop 仍能找回目标、证据和下一步。
目前 LoopX 已有 3 个 showcase：auto PR issue fix、AutoML experiment 和 auto coredump fix。
以 OpenViking 开源仓库的 PR issue fix 为例，Agent 不只是循环写代码。它需要持续理解 issue 的不同状态，判断何时开发、何时等待、何时请求 review，处理 CI、冲突和上游变化，并连续交付多个 PR。
这对应 LoopX 的 domain state 管理：领域系统决定真实状态，LoopX 负责把状态投影成下一步可执行的工作。
与此同时，Agent 还可以在干活过程中实现能力自进化。当它发现现有系统缺少某项能力时，可以提出 feature、完成开发与验证、发布新的离线或在线版本，再使用新能力继续原来的任务。
长程 Agent 天然适合自进化，“完成工作”和“升级完成工作的系统”可以在同一条长程轨迹中发生。
LoopX 把这些信息外置成结构化控制面：
• Goal / Vision：目标是什么，什么不能被局部优化牺牲
• Todo / Gate：当前执行的 frontier，以及必须留给人的关键判断
• Identity / Authority：谁能 claim、writeback、approve
• Evidence / Receipt：每次推进留下什么可回读证据
• Quota / Scheduler：何时继续执行，何时安静等待
• Handoff / Recovery：换模型、换会话、换 host 后如何恢复
你也可以把它理解为一块专门给 Agent 设计的可执行 Kanban。
普通看板只展示“谁在做什么”；LoopX 的状态会直接约束和驱动下一次 bounded turn，让看板本身成为执行系统的一部分。
这套系统最强的地方是通用性。它不只可以修 PR，还可以做 auto research、长期实验、自媒体运营、复杂 feature 开发和办公任务。
Agent 不再只是一次性的回答机器，而可以围绕一个人的 vision，长期工作、等待、吸收反馈、积累证据并持续演进。
LoopX 从一开始 build in public：状态协议、CLI、控制面实现和真实运行轨迹都进入了开源仓库；它也已经和 OpenViking、NoKV 等 agent infra 项目形成了开源合作伙伴关系。
我希望 LoopX 最终能放大每个人的 vision 和想象力。只要你有自己的目标、想法或技术主张，就能拥有一个全天候继续工作和探索的 Agent 系统，帮助你把愿景一点点变成现实。
欢迎试用、提 issue、贡献代码，或者用一个真实的 multi-day task 跑 LoopX。
github.com/huangruiteng/loop…
Ruiteng Huang retweeted
hm, why are we the only model not being tested in our native harness in this?
把「给用户发消息」设计成 tool，我认为是一个粗糙的实现。
Personal Agent 核心分两层，
第一层是产出价值（包括给 user 的情绪价值），maximize 产出价值需要通用长程能力，持续工作；
第二层是决策能力，不止于长程决策，也包括“是否要给 user 发消息”，“以何种形式汇报”
其次是做好 personal agent 必需的 memory、connector、sandbox 和 privacy 等特性。
一开始我也这么想的，后来知道原理其实很简单.
这类 personal agent 其实是把「给用户发消息」本身设计成一个 Tool，比方说设计成一个 send message tool，把 message 放到参数里面。
这样 Agent 调用完之后， Agent 还可以继续工作。
具体原理其实也可以看这两个实现，写的都很清楚。
github.com/OpenHands/softwar…
weisu.io/articles/decoding-g…
我的一个判断：通用长程能力，是 RSI（递归自我改进）的先决条件。
从今年 6 月开始，我一直在不同代码库里运行十几个 24/7 Agents。现在我更关心的问题是：第 100 小时的工作，能不能受益于前 99 小时的探索？
LoopX 想探索的是一个双层演化的 meta-harness。
任务内，Agent 持续积累并修订假设、实验标尺、反例和当前最优解。新证据要进入下一次决策：继续深挖、修正标尺，还是换一条路。
任务间，再用这些研究轨迹改进 harness 本身：上下文怎么组织、实验怎么安排、算力如何分配，让下一轮研究站在更好的起点上。
这里有个重要的元推理问题：剩下这几小时计算，究竟投给哪个实验最值得？有时要让一个方向持续跑下去，有时要先修掉一个误导实验的标尺。这个选择本身，就需要智能。
这也是我做 LoopX 的一条研究主线：让 Agent 长期做事，并把做事过程中得到的经验，转化为下一轮可验证的改进。
最终的判断标准：同样的总预算，能否交付更好的、独立验证过的成果。
What would make the 100th hour of an agent’s work more valuable than the first?
That’s the meta-harness question I’m exploring with LoopX: two loops of improvement.
Within a task, evolve the hypotheses, tests, counterexamples and best-known solution. Accumulated evidence should improve the next decision—not merely lengthen the context.
Across tasks, use those trajectories to improve the harness itself: how it allocates compute, chooses experiments and learns from failure.
The next hour might be best spent pursuing a promising idea, repairing a misleading test, or changing direction. That choice is part of the intelligence.
My thesis: general long-horizon capability is a prerequisite for useful recursive self-improvement.
The bar is better independently verified outcomes under the same total budget.
I’ve been running a few 24/7 agents on code bases for the last week or so on various codebases and I can say with certainty that’s there’s so much stuff that does not meet the priority bar of most Eng teams that fly beneath the radar until it blows up in some more meaningful way.
1
6
426
从今年 6 月开始，我一直在各种代码库上运行十几个 24/7 agents，我可以肯定地说，有太多前沿能力的最优使用方式没有成为大多数工程团队的认知，它们悄无声息地潜伏着，直到几个月乃至半年之后，由某些网红公司或大 v，“重新定义”或“重新发现”这些能力和概念。
I’ve been running a few 24/7 agents on code bases for the last week or so on various codebases and I can say with certainty that’s there’s so much stuff that does not meet the priority bar of most Eng teams that fly beneath the radar until it blows up in some more meaningful way.
6
27
2,094
Ruiteng Huang retweeted
This guy completely gets the shape of it. Always-on, end-to-end delivery, verifiable feedback — that’s the loop.
LoopX is basically that pattern made runnable: heartbeat instead of prompt-by-prompt babysitting, durable goals and gates across sessions, evidence written back every turn so humans only hold the real decisions.
Not another chat agent. A control plane for agents that actually keep running.
github.com/loopx-project/loo…
I've changed how I work over the last few weeks.
I now have one lead agent for each area of focus, running all the time, and a chief of staff agent that oversees them. Each lead manages its own sub-agents that write code, test it, chase reviews, and coordinate with team members.
Everything I need to decide or review comes into one prioritized queue, a simple local web app. Each product review includes screenshots and a video demo of the feature. I clear the queue in batches, mostly by voice and keyboard shortcuts. The leads also bring back ideas I hadn't considered.
Working from one queue, instead of switching between dozens of chats, has cut a lot of mental overhead. The system keeps learning my preferences and distilling my judgment into a "Brian brain," so its recommendations and first drafts get better before they reach me. The goal is fewer corrections per change.
Every change still goes through the same human review and security checks. It is eliminating tasks, not human judgment.
What an exciting time to push the frontier of productivity, especially as we build the economy for agents (agentic finance). We should all keep pushing in this direction.
Ruiteng Huang retweeted
Nice DeepSWE score! Does it survive a lowercase filename?
Introducing MaxxBench: 89 DeepSWE tasks with small changes to the instructions or starting code. Same engineering problem, slightly different requirement.
Models clustered around 74% on DeepSWE end up 23 pp apart.
Good at coding, or good at DeepSWE? 🧵
这篇 paper 的实验设计有点不合理，用“等预算”的方案做实验。 reviewer agent 是一种低效率、提升代码下限的多 agwnt 协同。虽然低效，但人们为了安全感，往往会采用。
不如看看引入 x 轮 review 后的效率效果曲线以及 review capability 的优化消融
很多团队在设计多 Agent 架构时，都喜欢在 Worker 后面挂一个专门的 Reviewer Agent，以为多一层把关就能兜住幻觉。
最近 arXiv:2611.03931 的控制变量实验测出了一组非常残酷的数据：在固定模型和 Token 预算下，显式加入 Reviewer 后的系统整体任务通过率，反而比单一 Agent 跑完后直接调外部编译器更低。
问题出在 LLM 天生的共识偏置与语义谄媚上。当 Worker 输出了一段包含隐蔽逻辑漏洞但语法结构极漂亮的代码时，Reviewer 的注意力权重会被上游输出的自然语言解释严重锚定。它不会像静态分析器一样去遍历控制流图，而是顺着 Worker 的伪逻辑去帮它“润色”变量命名、补齐文档注释。
更要命的是，Reviewer 往往在输出里给出一个格式化的假 APPROVE，直接把调度引擎的重试逻辑给旁路掉了。真正的纠错入口不是另一个靠概率预测 token 的审查者，而是终端里退出的 non-zero exit code。
论文地址：arxiv.org/abs/2611.03931
3
569
loopx 10 月设计的 router-controller-worker RFC，我们判断会是 SuperAgent 的最佳实践，源于几个 insight：
1. 近期 context-delivery 渐进和差分上下文的 benchmark 探索优化，初步验证了模型有效上下文对智能的影响，判断 control and worker 分离是方向，既具备控制面能力，又保障 worker 的模型智能
2. 单一 router 入口的易用性，优化注意力
3. loopx controller 掌握全景信息，可结合强智能
4. 可搭配着产品层的优化，比如 controller sess 可在 worker sess 干活时，异步面向 user 进行汇报
这个 RFC 是我们面向长程智能上限的探索，近期也在陆续推进，大家有闲置的 token 欢迎投入到相关的工作中。
我们有一个维护者的小群在讨论和推进各方面探索，如果有愿意参与的开发者，或者和 loopx 产生合作的学术研究者、企业合作者、上下游开源项目的开源合作者，都欢迎联系我
github.com/loopx-project/loo…
多 Agent 系统/多 Agent Sessions 协作，有很多容易掉入的陷阱。
众所周知的是模拟人类团队协作里的岗位、角色、拟人等。比如写手、程序员、研究员、设计师、运营等Agent，显然的结果是——
常常变成 Agent to Agent 的聊天室，大量算力沉没在沟通对齐而非交付推进上。
更可怕的是，对齐是不可能严丝合缝的。误差/偏差的概率性发生及其持续累积，将在每一次 Agent to Agent 的局部上下文传递/压缩中，不可避免地滋生。
那么，编排 Agents/Sessions 的原则到底是什么？
想明白之后，其实很简单，很显然，很自然。
因为核心不变量（指标）只有一个——让交付效能最大化。
第一个重点是区分 Work 和 Meta Work，Work 是最扎实的工作，Meta work 是让 Work 更好而做的 Work，所以叫元工作。
第二个重点是在 DDD 里也有体现，对 Work 分类：
- Core：核心的，跟推进目标、交付结果直接关联
- Support：支撑性的，非直接关联，但必不可少
- Generic：通用性的，不只是跟这次目标有关
Work 集中在 Core 范围，Meta-Work 集中在 Support/Generic 区域。
不存在一个通用的 Agents/Sessions 拆分，因为 Goal 不同，Work/Meta-Work 和 Core/Support/Generic 的分类方式也不同。
给定一个目标，多 Agents/Seesions 的拆分就是让 Work Agents/Sessions 的时间最大化投入在 Core Work 部分。
以搭建最简循环工程为例，最小只需要两个 Sessions，一个是【交付会话】，一个是【协调会话】。
- 交付会话：聚焦目标推进
- 协调会话（定时任务）：
* 周期性搬运目标关联的上下文到本地队列（从文档、IM、连接器等来源）
* 将阶段性交付验收材料搬运到指定位置（IM/文档等）
* 按需唤醒【交付会话】推进工作
产品、设计、开发、测试不是 4 个 Agent 或 4 个 Session，而是一个端到端交付 Agent/Session 的 4 个工作阶段，4个阶段在 Loop 里也会随上下文输入/输出而反复横跳。
不需要引入额外工具，现在你便可直接搭建上述 Sessions 协作，结合目标可验收性和 Browser-use/Computer-use 等验收工具，获得 10x 效能提升。
协调会话帮交付会话分担事务性工作，让交付会话不必亲自去来回搬运。
当你想要继续拓展时，【最大化交付原则】可以继续发挥指导作用，比如围绕【协调会话】，聚焦它的 Goal，找到它的 Core/Support/Generic 细分，很快发现——
【协调会话】最重要的是保活【交付会话】，如果它长时间沉浸在搬运上下文这种事务性工作中，它就无法及时唤醒交付会话，也无法及时响应来自 IM 中的消息。
所以【协调会话】可引入 Supporting Subagents/Sessions，将文档操作、消息响应等支撑性工作外包给它们。
Gall's Law：一个运转正常的复杂系统，总是从一个运转正常的简单系统演化而来的。”
Work/Meta-Work + Core/Support/Generic 两类拆解方式，配合【最大化 Work 交付】目标，可以帮助我们从简单系统出发，不断增加系统复杂度而更不容易丢失核心交付能力。
本机 mac 最长的 codex 轨迹已超过 10G 了，好奇 6.1-sol / astra 跑的超长程轨迹能卖钱么？ 也统计了下数据，1520 次 compaction，3400 次 session turn，单条轨迹消耗 200 亿 token。
（这条轨迹是我的 loopx benchmark supervisor，端到端面向 benchmark 做管理分析和优化）
“AI Agent 基础设施是最大赢家”，但可能国内无 infra
硅谷的 AI 创始人们，亲自选出了 29 家他们最看好的早期创业公司。
Felicis 联合科技媒体 Newcomer 发布了首期 Emergent 名单。玩法很有意思：不让 VC 评选，而是邀请已经取得成绩的创业者，推荐自己最看好的种子轮及更早期公司。
提名者包括 Vercel、Mercor、ElevenLabs、Runway、Glean 等公司的创始人，以及 Reid Hoffman 等硅谷创业老兵。
从最终名单来看，几个趋势很明显：
AI Agent 基础设施是最大赢家。 从 Agent 支付、模型路由、记忆管理，到安全监控和行为审计，创业者们正在围绕 Agent 的实际运行搭建一整套基础设施。
机器人和 Physical AI 也很热门。 比如 Icarus Robotics 想让机器人去太空干活，Enigma 则试图为不同类型的机器人提供通用智能。
AI for Science，尤其是生物科技，正在获得更多关注。 Phylo 让科学家低成本定制开源模型，Instance Bio 则试图打通 AI 模型与真实生物实验之间的反馈闭环。
这份名单有意思的地方在于，它不是投资人按照融资热度给出的排名，而是身处一线的创业者对技术机会的判断。
如果说过去几年，大家都在寻找下一个更聪明的模型，那么现在，创业者们似乎更关心如何让这些模型真正干活。
谁来给 Agent 付钱，谁来保证它不闯祸，谁让它进入工厂、实验室和现实世界。
某种程度上，这 29 家公司就是一份由创业者自己画出的 AI 产业机会地图。
完整名单
1
5
469
Ruiteng Huang retweeted
我发现推上不少人，尤其是在美国硅谷、华尔街工作的华人，多少有点活在一个泡泡里。
过去几年，科技和金融行业赚了不少钱，portfolio 也涨得不错，大家天天讨论 AGI、生产力革命，觉得 AI 改变世界是不可阻挡的趋势
这些判断中长期可能都没错，但问题是，普通美国人真的也是这么想的吗？
对一个普通美国家庭来说，他可能根本没有多少美股资产，也不关心英伟达今天又涨了多少。他更关心的是油价、超市账单、房贷，以及自己明年还有没有工作。
你在Sand Hill Road的会议室里兴奋地讨论 AI 如何取代人类劳动，他听到的可能是：那我的工作怎么办？Mortgage 谁来付？Bills 谁来 pay？
举个例子，一个 Uber 司机今天辛辛苦苦跑了十几个小时，赚了两三百美元。晚上回家打开电视，看到 Elon Musk 兴奋地宣布 Robotaxi 即将大规模取代人类司机。
你觉得他会跟着欢呼 AI 革命，还是会担心自己过几年就没饭吃了？到了投票的时候，他更愿意支持 Elon 背书的候选人，还是一个承诺保护普通人就业的候选人？
我觉得这次民主党的大胜，值得科技圈和金融圈认真反思。很多人已经习惯了从资本市场的视角看世界，却忽略了大多数选民是靠劳动收入，而不是资产升值生活的. 科技进步和普通人的利益，从来不一定在每个阶段都是一致的。
对持有科技股的人来说，AI 是财富增长的机会；对一个随时可能失业的美国蓝领普通人来说，AI 首先可能是生存威胁。
这两个群体看到的，根本就不是同一个世界
Ruiteng Huang retweeted
Raft/Aribuild/Tutti 等产品，既提供了多 Agent、多上下文来源的团队协作能力，又带来了新的组织与协调上的复杂度。
这个复杂度如果没有被体系化地处理，就会泄漏到团队整体或某几个关键岗位身上，带来几种负面结果：
1、整体效率提升，但质量不可控，按一段时间来看，可能团队更累但平均的成果留存，跟之前相比差距不大，考虑投入的 Tokens 成本，ROI 反而小了。
2、上游效率提升，但下游节点消化不过来，体现到最终交付物上的产能不变，甚至质量更差，因为上游效率提升靠 AI 放大时，他们本人也无法充分审核 AI 产物（就像 Agentic Coding 时开发者不再审大部分代码）。
3、产出初期加速，但历史债/复杂度上升曲线更抖，治理效率跟不上，中期难改，后期改不动，更早遇到架构挑战。
高产出的概率型智能，只有循环工程可以有效地将大产能转换为优质资产。
泛化来看，循环是必然的，许愿也是循环，一次不成，再一次，又一次，直到成功，但这是无意的、不自觉的、非工程的。
循环工程是在必然的循环基础上的控制论，用上下文工程（输入/输出）、指导规范/技能、验证工具配合人类意图输入和验收反馈，持续推进到特定收敛标准。
从人类的验证能力看，一样可以推导出相同结论。即，人类不擅长审核技术细节/中间材料，但容易感受、体验和评价最终产物。
因此人会逐渐被放到越发边界的位置，从 Human in the loop 逐步转向 Human on the loop。
未来的分工可能是，循环工程师（Loop Engineer）和产品工程师（Product Engineer）围绕共享的代码上下文（Shared Context)，减少中间材料（PRD,Prototype,设计稿），按照 Everything as Code 的模式，最大化代码输入/输出，最小化其它类型输入/输出。
循环工程师是负责让过程更高效和稳健，但并不对循环工程里的内容和结果负责，甚至不知道它关于什么的，工作方式是运维+软件架构师的双重属性。
产品工程师则负责让结果更符合预期，但并不对循环工程背后的技术细节和工具建设负责，甚至不知道内部构成，工作方式是BI+产品架构师的双重属性。
之前和 @strrlthedev 也聊过
我用 raft 深度做了一个 side project。如果只是许愿式聊天，效果和我要的差的非常多，需要很多轮的调教。最终消耗大量 token、时间和精力。如果我一开始就给一个很精细的计划，那我直接用 Claude，顶多加一两个 agents 就能达到同样的效果，而 token 的消耗是少了很多的
AI 应用也存在单点化的问题，或是某个应用想做大而全，动作变形每个组件都做成了垃圾，或是某个组件做到了极致专精，却没有寻求上下游和模型的联动，无法放大价值。
理想态的 ai 应用（抑或是 rsi 的未来），应是多个极度专精的组件，进行 co-design，形成宏大愿景的拼图。
loopx 作为专注于 long horizon 的 harness neutral 组件，期待上下游的开源合作者、企业合作者、模型合作者，co-design 创造更大价值
我确实认为 AI 应用的发展速度远远落后于模型的研发速度。如何识别筛选 AI 应用研发的人才也是努力追赶模型研发速度的关键。
现代模型都拥有多领域的世界知识。而使用它的人类往往只是单领域的专家。这就导致了模型应用依然停留在加速精细化分工下的工作。
2
13
667
这篇主要讲 yardstick，如何让模型有意识地让本地轻量测试更加 general，对齐最终目标或者评测目标。
分析最近跑 bench 的轨迹，前沿模型已有依据反馈信号对本地测试进行修改的意识，且模型有 reward seeking 的倾向。
但也可基于这个 insight，refine 一下 loopx，增加 per turn or per replan 时的决策要素。
新 rfc：github.com/loopx-project/loo…
loopx 的灵活性（multi turn、递归状态、capability hook）是很容易实验这类长程研究策略的，欢迎研究者们合作，将 loopx 视作长程任务研究的游乐场
AI is cracking math problems. What's holding it back in engineering?
The cost of evaluation. Agents can generate ideas in seconds, but testing them can take hours or days.
💡 Meet DuoDiscover: where evaluation is part of what agents discover 👇🧵
Some highlights:
🏆 #1 on NVIDIA's SOL-ExecBench
🐍 2× the experts on SWE-fficiency
🚀 1.92× on vLLM; 1.44× on FreeToken
🔥 2.68× over production TPU kernels
🖥️ Beats the best human and AI-designed CPU prefetchers