夜雨聆风2026 年 6 月 21 日，凌晨。
一条转发在 X 上引发了强烈震动。
投资人、CoreView 联合创始人 Ivan Fioravanti 只打了一个词：WOW。
然后他把 DeepSeek 研究员 Deli Chen 的一段话原封不动贴了出来——
"The entire RL pipeline — experiment design, code writing, running, debugging, and conclusion summarization — was 100% automated, with zero human intervention from me. This was incredibly difficult, but an incredibly important step."
「整个强化学习管线——实验设计、代码编写、运行、调试、结论总结——100% 自动化完成，我的零人工干预。这一步极其困难，但也极其重要。」
▲ Deli Chen（@victor207755822）6月17日发布的公告帖：AutoResearch SKILL 正式开源，同时放出第4篇综述论文。帖子获得1246赞、1915书签、36万次浏览
▲ Ivan Fioravanti 的引用转发，仅仅撷取最核心的那句话。118赞、169书签
这句话信息量有多大？
一个 AI 代理，自己设计了强化学习实验方案，自己写了训练代码，自己把作业提交到 GPU 集群上跑，自己盯着日志等结果、出了 bug 自己修、跑完自己分析数据、最后自己把结论写进论文。
被调去跑实验的模型，是DeepSeek 285B——参数量千亿级的真实大模型。不是实验室里跑跑 benchmark 的小玩具。
而且这件事，已经被写成了 75 页论文、配 217 条引用、经过 16 轮内部评审迭代，得分8.6/10，开源发布了。
Deli Chen 是谁？他不是在玩票
Deli Chen（@victor207755822）的 X 认证栏只有一个身份：DeepSeek Senior Researcher。
他的履历比这几个字重得多：
- DeepSeek-V1、V2、V3、V4 全系列核心贡献者
- DeepSeek-R1 核心成员
——这篇论文登上了《Nature》2025 年封面 此前在腾讯微信 AI 做 NLP，北大本硕，导师徐孙教授，LancoPKU 实验室出身 研究方向从图神经网络（GNN）过平滑，一路做到 LLM 安全水印、步级验证、RL 推理
▲ Deli Chen 个人主页。Auto Research Papers 专区醒目地列出了四篇由 AI 代理生成的综述论文
他不是那种“写个 prompt 让 ChatGPT 跑个 demo”的 AI 爱好者。他是亲手做过 V1 到 V4、亲手把 R1 送进 Nature的研究员。
而他在帖子里反复声明的是：这是我个人的业余项目，与 DeepSeek 组织无关。
一个 DeepSeek 核心研究员，用自己的业余时间，搞出了一套能让 AI 自己做完一整套研究闭环的框架。他把这套框架开源了——不交付可执行代码，只交付一套经过真实 285B 实验验证的工程协议。
不交代码只交协议，这套框架凭什么撑起 285B 实验？
打开 Deli 的项目主页，映入眼帘的是三行字：
- Zero Interaction
（禁止向用户提问） - Anti Cognitive Loop
（反认知死循环） - Heartbeat Watchdog
（心跳看门狗，三层守护）
▲ 框架主页：左侧是三种反复出现的失败模式，右侧是硬约束与三层看门狗架构
Deli 的框架文件本质是一份SKILL.md——不包含任何可执行代码，只规定了在长时间自主运行中必须遵守的工程惯例。
但这套惯例，每一条都是从“跑崩了无数次”的血泪教训里提炼出来的。
他总结了长时程代码代理的三种经典死法：
死法一：认知死循环（Cognitive Loop）。Agent 越跑越像自己，生成的想法高度重复，永远跳不出局部最优解。对策：强制新方向必须与历史所有方向不同，stale_count >= 2 就强制 pivot——改环境约束，不许再调 learning rate 糊弄。
死法二：假死（Stalling）。Agent 写完一段总结后就停下来“等用户”，外表看还在跑，其实已经死了。对策：Zero Interaction 硬约束——运行期间不许问问题、不许进 Plan Mode、不许以一个问题结尾。“准备好就去干。”
死法三：运行时脆弱性（Runtime Fragility）。上下文压缩或会话关闭后，所有寄生在内存里的定时器全挂。对策：所有进度写入 state/ 目录的文件系统——task_spec.md、progress.json、findings.jsonl、iteration_log.jsonl 等——每次迭代启动全新 session，只注入人造状态摘要，绝不“恢复”旧会话。
三层看门狗是这套系统最硬核的工程设计：
- L0
：常驻 shell 进程 - L1
：每小时 cron 定时触发 - L2
：业务循环自检
任意一层死掉，另外两层能救。这是给长时程无人值守上的“三保险”。
有人问：那你给 Agent 设了什么权限？
Deli 的回答很直白：提交真实 GPU 作业的权限。没有模拟层，没有 sandbox 隔离，Agent 拿到的是往 DeepSeek 285B 集群上直接提交 RL 作业的权限。
GRPO：一把被 AI 研究员拿去解剖的手术刀
在讲实验之前，必须先讲一个工具：GRPO。
GRPO（Group Relative Policy Optimization）是 DeepSeek 团队 2024 年在 DeepSeekMath 论文中提出的训练方法，后来被大规模用在 DeepSeek-R1 上，成为 R1 推理能力爆发的核心驱动力之一。
传统 PPO（Proximal Policy Optimization）做 RL 训练时，需要一个和策略网络差不多大的价值网络（critic）来估计状态价值，显存开销巨大。
GRPO 的做法完全不同：
对同一个 prompt，采样一组（G 个）回答 用 reward 模型或规则给这组回答打分 用组内相对排名来估计每个回答的优势（advantage），彻底扔掉 critic 网络
省掉一个和 policy 同量级的 critic，显存直接砍半。对大模型 RL 来说，这是决定性的效率突破。
但 GRPO 有个软肋：它对 group 内的多样性非常敏感。如果 reward 信号（verifier）本身有噪声——比如判断“这个数学证明对不对”的时候经常判错——那组内排名就会被污染，优势估计跟着失准。
Deli 的 AutoResearch Agent 抓住的就是这个软肋。
它设计了一套实验，系统地测量：当 verifier 的噪声越来越高时，self-play（自博弈）还能不能发挥作用？
▲ GRPO 技术概览：没有 critic 的 PPO 变体，靠组内相对排名估计 advantage，大幅降低显存，但对 verifier 噪声敏感
285B 实验：12 轮、3570 GPU 小时、五次自主修 bug
这是整套系统最核心的验证。
AutoResearch Agent 被扔进一个具体的科学问题里：在 verifier 存在噪声的条件下，自博弈（self-play）的训练增益到底有多少？噪声到什么程度会“吃掉”所有增益？
Agent 自己设计了实验方案：
使用DeepSeek 285B作为基座模型 训练方法GRPO，batch size 512，每组采样 16 条（N=16），32k 上下文窗口 18,953 道数学题作为训练集 设置四种 verifier 噪声条件：噪声翻转概率 ε 分别为{0, 0.10, 0.30, 0.45} 每种条件做种子复现，共12 轮完整 RL 运行
结果是一条单调下降的曲线：
| +4.8% | |
| −4.1% | |
ε 每增加 0.1~0.15，self-play 带来的训练增益就显著衰减，直至转负。
Agent 还做了一个更精细的子实验：调节 KL 惩罚系数。发现在 ε=0.30 时，KL=0.01 条件下居然出现了+0.8% 的缓冲反弹。这说明合适的 KL 正则化能在噪声不太高时部分保护训练质量。
总消耗：3570 GPU 小时。
这中间 Agent 碰到过五次真问题，全部自己修了。
最顽固的一个 bug：某个超参数（learning rate）被 Agent 用科学计数法写进了配置，但提交脚本把它当字符串 parse，导致训练启动失败。Agent 排查了日志、定位到类型错误、修改了参数格式、最后还把这条教训写进了一个pre-submission check 脚本，固化到后续实验流程里。
把这当成“一次性跑通就发推”的 demo，太低估它了。3570 个 GPU 小时，是实打实的验证。
▲ 论文页面：四篇论文总表。Paper #4 一行醒目标注「285B RL experiment」「6 theorems & lemmas」「8.6/10」。下方生产统计大表：~80 agent turns、600k+ tokens、15+ subagents
▲ 博客滚动至实验核心段落：噪声条件表、KL 缓冲消融结果、GPU 小时统计、五次自主修复故事
不止会跑实验，它还能写论文、审论文、给自己打分
如果只是“AI 提交了一个训练任务”，那它跟 AutoML 工具的差别不大。
Deli 这套系统的不同之处在于：论文写作和评审也是全流程自动化的一部分。
他设计了 5 个论文写作子技能，配有弱点路由表：
- Literature Survey
：4 阶段文献漏斗——Recall 召回 387 条结果 → LQS 质量评分 → A/B/C/D 分级分类 → venue upgrade 会议/期刊升级推荐 - Experiment
：专门为真实 GPU 作业设计了 Path B（GPU RL），提交后立即 polling、自动诊断和修复 - Peer Review Simulation
：5 种不同“偏见人格”的评审代理并行打分——R1 实验主义者、R2 理论洁癖、R3 方法保守派、R4 应用导向、R5 新来者视角——取中位数作为最终评分，并路由弱点到对应的修改技能
而且这套评审系统在 V12 版本主动降过分——原因是系统发现了几条坏引用，经过外部核查确认后，主动把分数从 8.8 调到 8.2。它不是在给自己贴金——这套评审系统已经具备了一定程度的自我批判能力。
最终版本 V16：75 页、217 条引用、8.6/10，包含 6 条定理和引理。
▲ 论文写作技能组详情：5 个子技能卡片、弱点路由表，覆盖文献调研、实验执行、论文起草与内部评审的完整链路
四篇论文加起来，累计生成时长约 44 小时、总输出 255 万 tokens、1970+ 次工具调用、63+ 个子代理。
这些数字背后是一个完整闭环：研究问题 → 文献调研 → 实验设计 → GPU 作业提交 → 运行监控与故障修复 → 数据分析 → 论文起草 → 多轮内部评审 → 理论补完 → 终稿。
全程只有 Deli 一个人给了方向性输入，没有在任何一步替 Agent 动手。
AutoResearch 浪潮：它不是孤例
Deli 不是唯一在做这件事的人。
2025 到 2026 年，Karpathy 提出的“让 agent 自己改代码、跑实验、keep the diff if better”在社区里迅速扩散。GitHub 上涌现了大量 one-file、three-file 的 autoresearch 模板。
Deli 的贡献是把这种模式从“单脚本跑 5 分钟实验”升级到了“多周长时程、真实 GPU 集群、论文产出、理论闭环”的完整协议。
社区也给出了强烈反馈：
- Vuk Rosić
转发并几乎完整复述了 pipeline 100% 自动化的原话，获得数百互动 中文作者AYi_AInotes总结道：“这可能是我近期看到的最值得深入研究的一次 skills 开源和工程脚手架”，并提炼了 5 个可直接拿去用的工程思路 GitHub 上的awesome-autoresearch列表收录了上百个同类项目：从科学（EurekAgent、AutoResearchClaw、生物、量子、材料）到系统（内核优化、vLLM serving、ClickHouse bug 发现），再到 RL 专项、交易、游戏、SAT 解题、机器人……
Deli 本人也在自己博客末尾写道：“We see this as the beginning of our Continual Learning research journey.” 他把这一步定位为持续学习研究旅程的起点——还远没到终点。
▲ GitHub awesome-autoresearch 列表：收录上百个同类项目，涵盖科学、系统、RL、交易、游戏、机器人等领域。Deli 的工作被归入「Infrastructure & Skills」
冷静地说三件事
第一，这套系统厉害在工程，不在算法。Deli 的框架没有用什么神秘的推理黑科技。它解决的是三个被反复忽视的工程问题：认知死循环怎么破？长时程无人值守怎么保证不死？状态在上下文窗口外怎么持久化？三个问题全都卡在工程脚手架上，跟模型能力关系不大。Deli 把脚手架搭好了，模型就能在上面跑长途。
第二，局限是明牌。Deli 自己公开写清楚了：评审分数是内部 5 人格模拟，只能纵向对比，不能当真实同行评审用；LLM 幻觉依然存在，只能靠机械化的外部检查来兜底；最长一次连续运行 72 小时，中间仍然需要人类给方向性输入；论文最终投不投稿，还是要人来判断。他不回避任何一条。
第三，AI 能自己跑实验这件事本身不可怕。可怕的是有人把它当自动驾驶来用。3570 GPU 小时的自主提交权限如果被滥用——写了一个有 bug 的脚本就跑掉，或者用昂贵的模型反复做无用实验——后果是真金白银的算力账单，3570 个 GPU 小时级别的浪费。Deli 选择开源协议而非代码的决策，某种程度上也是在这个问题上画了一条线：他给你地图和路规，但真正上路的人，得自己会开车。
而最值得问的问题是这一个：
当 AI 研究员可以 7×24 小时不知疲倦地设计实验、写代码、修 bug、写论文，人类研究员的位置在哪里？
Deli 给了他的答案：给方向，搭脚手架，审判断——然后让机器去跑。
