01
允许大胆猜
换方法、换顺序、删步骤都可以。猜想负责扩大可能性。
Visual Explainer · 零基础版
让生活中的改进，接受一次小实验
你先定目标和尺子。AI 自动提改法、运行测试、比较结果。它不是“让 AI 随便想”，而是：一次只改一点，用同一把尺子检验，变好就留下，变差就撤销。
先建立直觉，再拆开技术，最后迁移到你的工作与生活
01改一味调料
02按同样方法做
03盲品打分
04好就留，差就撤
唯一类比：像厨师反复试菜，但每次只改变一个地方。
核心直觉
它不是“灵感机器”，而是“淘汰机器”
AI 可以提出很多猜想，但猜想没有特权。最终留下什么，由事先约定的检验决定。
02
强制真实试
不能靠“我觉得更好”。必须执行一次，留下可观察结果。
03
失败不累积
差的版本撤销；好的版本才成为下一轮的起点。
AutoResearch = 有记忆的试错 + 有标准的淘汰
拆开机器
原版 AutoResearch 其实只有一个“小实验室”
外部的编程 Agent 像实验员。仓库则把考场、可改对象、规则、撤销和日志准备好。
KARPATHY / AUTORESEARCH · 实验室剖面
固定区 · 不准动
同一个考场
- 同一批数据
- 同样的 5 分钟
- 同一套评分方法
prepare.py
实验区 · 可以改
一份候选方案
- 模型大小
- 训练方法
- 参数和代码结构
train.py
实验员Claude Code / Codex 阅读规则并动手
实验守则program.md 规定每一步怎么做
记忆与撤销Git 保存胜者，结果表保留失败经验
为什么必须锁住考场
尺子变化，成绩就失去意义
如果这次考10道题、下次考2道题，即使分数更高，也不能证明方法进步。
为什么只给 5 分钟
比较的是“同样预算下谁更好”
方案越复杂，单位时间能完成的工作可能越少。固定时间会迫使系统同时考虑质量与效率。
循环怎样跑
点击五个步骤，看一轮实验如何闭合
闭环比“聪明”更重要。只要有一步断掉，系统就会退化成空想或无效忙碌。
点按任一步骤查看它真正解决的问题
STEP 01
定基准
先测旧方法，不凭印象。
STEP 02
提猜想
说明为什么这一改可能有效。
STEP 03
只改一点
否则不知道是谁起作用。
STEP 04
同尺检验
运行真实任务并记录结果。
STEP 05
保留或撤销
让结果决定下一轮起点。
定基准：如果不知道旧方法通常表现如何，就无法判断新方法是否真的改善。基准是实验的“零刻度”。
用一个生活化的演示看“保留/撤销”
当前基准
2.0
每天完成的“最重要任务”数量同一周
同一口径
VS
同一口径
VS
候选实验
2.6
每天只保留3项，其他进入候选池保留：指标变好，而且没有触碰护栏。
翻译到生活
代码世界的零件，可以逐一翻译
你不需要写代码。你需要在自己的场景里找到“固定考场、可改方案、评分尺、撤销键”。
原始实现
电脑实验室
prepare.py 锁定考场，train.py 是候选方案，Git 决定保留或回退。
→
迁移后的本质
你的现实实验
锁定时间和任务，只改变一种做法，用同一指标比较，并保存上一版。
prepare.py → 固定条件同类任务、相近时段、相同周期和评分方式
train.py → 可改方法会议模板、写作流程、学习节奏、任务排序
val_bpb → 结果指标完成时间、错误数、返工率、真正完成量
Git → 撤销能力保留旧模板、旧流程和旧设置，随时恢复
results.tsv → 实验日志记录改了什么、结果怎样、保留还是放弃
program.md → 实验规则一次只改什么、跑多久、什么情况立即停止
设计你自己的实验
选择一个场景，自动生成“生活版 AutoResearch”
下面不是替你做决定，而是把问题改写成可检验的小循环。先使用预设，再逐渐换成你的真实数据。
写作实验：先写结论，再补论据
目标在不降低质量的前提下，缩短一篇文章从动笔到可发布的时间。
固定考场同类篇幅、相近难度；都使用同一个完成标准。
本轮只改写作顺序：先写一句结论和三个论据，再扩写正文。
主指标从开始到“可交给别人阅读”的总分钟数。
质量护栏24小时后重读时，关键事实错误为0；不为提速牺牲准确性。
保留规则7 天后，时间有稳定下降且护栏未触发，才保留。
适用性检查
不是所有问题都适合 AutoResearch
勾选右边条件。越满足，越适合做小步自动迭代；缺少“可逆”和“反馈”，就该换成慎重决策。
0/5
先不要开跑
至少先明确怎样观察结果，以及失败后怎样恢复。
防止跑偏
最危险的不是失败，而是“分数变好、现实变坏”
任何指标都只是现实的一小块。AutoResearch 会非常勤奋地优化你给它的尺子，哪怕尺子选错了。
容易走偏
把“可量化”误当成“真正重要”
- 只追求邮件回复速度，结果回复敷衍
- 只追求阅读页数，结果没有理解
- 只追求会议变短，结果会后反复返工
正确护栏
主指标之外，再放一条不可牺牲线
- 速度提高，但错误数不能上升
- 产出增加，但睡眠不能下降
- 流程简化，但客户投诉不能增加
可接受的改进 = 主指标变好 ＋ 护栏没有变坏
一次改太多
即使成功，也不知道该保留哪一项。下一轮无法积累知识。
样本太少
一次偶然顺利不等于方法有效。至少观察多个同类任务。
只看短期
短期提速可能透支未来。涉及健康、金钱、关系时尤其谨慎。
哪些事情不应该直接用这种方法自动迭代？
不可逆或高风险决策，例如大额投资、擅自改变药物、法律承诺、伤害关系的试探、隐私或安全设置。这里应优先使用专业建议、充分论证和人工确认，而不是追求高速试错。
为什么不能不断用同一批任务评分？
做得次数越多，你越可能无意中迎合这批任务的特点，而不是真正提升一般能力。解决办法是：日常用一批任务调整，最后留一批从未参与调整的任务做最终检查。
七天上手
第一次不要自动化，只做一个手工小循环
先学会设计可靠实验，再考虑让 AI 帮你记录、提醒或提出候选改法。
DAY 1
选一个小问题
例如：每天下午最重要任务总是拖延。
DAY 2
测旧方法
不改变任何东西，记录实际启动时间与完成结果。
DAY 3
写一个猜想
例如：把任务入口缩成一个按钮，会减少启动阻力。
DAY 4
只改一件事
其他工具、时段和任务类型尽量保持不变。
DAY 5
继续真实使用
不因某天表现差就临时修改评分规则。
DAY 6
检查护栏
速度是否提高？错误、压力或返工有没有变坏？
DAY 7
保留或撤销
写一句结论；无明显改善也算获得了知识。
最小实验记录模板
问题：我想改善什么？ 基准：旧方法通常表现怎样？ 猜想：为什么这一处改变可能有效？ 本轮只改：__________ 固定不变：__________ 主指标：__________ 质量/安全护栏：__________ 实验周期：__________ 结果：__________ 决定：保留 / 撤销 / 证据不足 学到什么：__________
第一目标不是“立刻找到最佳方法”，而是建立一套不会自欺的改进机制。