夜雨聆风6 月底，一条帖让整个 AI 开发者社区坐不住了。
@hanakoxbt 在 X 上大写加粗地喊出：
"KARPATHY JUST KILLED THE PROMPT ERA WITH A SINGLE DOCUMENT"
「Karpathy 用一份文档终结了 prompt 时代。」
配图是一份据说来自 Karpathy 的「官方规则文档」，列了 9 条铁律，句句戳中开发者的痛点——
"prompts are easy. loops are hard."
「写 prompt 容易。设计 loop 难。」
14 万人看了这条帖。1800 人存了书签。评论区直接分裂成两派：一边是"这才是正确的打开方式"，另一边有人直接开怼——
"Provide the real link. this document is fake."
「给出真实链接。这文档是假的。」
▲ @hanakoxbt 的帖文引爆全网：14 万阅读、761 赞、1800 书签。配图列出了 agent loop 的核心规则
那这份文档到底是真是假？
答案比所有人想的都有意思。
三月的某个晚上，Karpathy 按下了一个开关
故事的源头要回到 2026 年 3 月。
当时 Karpathy 在搞他的老项目 nanochat——一个极简的 LLM 训练框架。某一天他突然发了条帖，语气很随意：
"I now have AI Agents iterating on nanochat automatically, so I'll just leave this running for a while, go relax a bit and enjoy the feeling of post-agi :)"
「我让 AI agent 自动迭代 nanochat 了，我先去放松一下，享受一点 post-agi 的感觉 :)」
12 小时后，agent 跑了 110 次改动。验证损失从 0.862415 降到 0.858039。
他什么都没做。他去睡觉了。
两天后，他把这套东西打包成了一个公开仓库：autoresearch。
仓库里面就三样东西：
- train.py
：630 行的训练脚本，agent 唯一能碰的文件 - prepare.py
：数据准备和评估函数，锁死，agent 碰不了 - program.md
：一份 40 行左右的 Markdown 文件，agent 的行动纲领
Karpathy 配了一句极其精炼的话来概括这个系统：
"the human iterates on the prompt (.md) — the AI agent iterates on the training code (.py)"
「人类迭代 prompt（.md 文件）——AI agent 迭代训练代码（.py 文件）。」
这条帖拿了2.8 万赞，3600 转发，1109 万阅读。
▲ Karpathy 发布 autoresearch 仓库，2.8 万赞。图中每个点是一次 5 分钟的完整 LLM 训练实验
仓库在 GitHub 上迅速积累到89k Star，12.9k Fork。
但真正让所有人停下来思考的，是那份 program.md。
一份给 AI 的「宪法」：什么能做、什么绝对不许碰
打开 program.md，你看到的更像一份协议——远比任何 prompt 都严肃。
它规定了 agent 在这个循环里的一切行为边界——
Setup 阶段：约定实验标签，建 git 分支，读文件，跑一次 baseline。没有 baseline 数据，后面的一切比较都没有意义。
循环阶段（LOOP FOREVER）：
你只能改 train.py。架构、优化器、超参数、batch size，随便改，但只能在这一个文件里。prepare.py只读。评估函数你碰不了。你不能给自己当裁判。 不能装新包。不能改评估逻辑。不能往环境里塞东西。 每次改完代码 → git commit → 跑训练（硬性 5 分钟截止）→ 解析 val_bpb → 比当前最优低就保留，否则 git reset。所有结果记录在 results.tsv 里：commit hash、val_bpb、显存占用、状态、描述。 超时 10 分钟？按崩溃处理。 - NEVER STOP
——一旦启动，永远不停。人类睡觉的时候它继续跑。
▲ GitHub 上的 program.md 文件，清晰列出了 agent 的行为边界：什么能改、什么不能碰、如何判定成功或失败
这里面藏着几个极其精妙的设计。
固定 5 分钟时间预算。不管你把模型变大还是把 batch 缩小，所有实验消耗的时间相同。时间本身成了货币。不同方案之间因此有了公平的比较基础。
单一标量指标 val_bpb。什么是 val_bpb？可以简单理解为「模型每预测一个字节，平均要吃惊多少信息」。越低说明模型对数据的理解越好。只有一个数字，没有模糊空间。agent 没法跟你扯"虽然指标没提升但我觉得方向对了"——数字说了算。
git revert 作为外部裁判。这大概是整个系统里最关键的一环。agent 无法篡改自己的成绩单。改好了就提交，改差了就回滚，没有中间地带。这给了整个循环一个不可腐蚀的真相来源。
Karpathy 自己也提到一个原则：同等改进下，更简单的方案更好。删除代码且效果持平，算重大胜利。
人在睡觉，agent 在跑实验：700 次循环后发生了什么？
3 月 9 日，Karpathy 发出了后续更新。
"Three days ago I left autoresearch tuning nanochat for ~2 days on depth=12 model. It found ~20 changes that improved the validation loss. I tested these changes yesterday and all of them were additive and transferred to larger (depth=24) models."
「三天前我让 autoresearch 在 depth=12 模型上跑了大约两天。它找到了大约 20 个能降低验证损失的改动。我昨天测试了这些改动，全部可叠加，而且迁移到更大的 depth=24 模型上也有效。」
700 次自主实验。约 20 个被保留的改进。每一个都经过了人工验证，而且全部迁移成功。
agent 找到了什么？几个例子——
注意力机制里的 QKnorm 缺了一个 scaler，导致 attention 太分散。agent 加了 multiplier。 Value Embeddings 缺了正则化。Karpathy 之前没加，agent 发现了。 AdamW 的 betas 参数配错了。
这些发现有多厉害？考虑到 Karpathy 本人就是这个领域顶级的研究者——他写过 CS231n 课程，在 OpenAI 和 Tesla 都干过核心 AI 工作——agent 能在他的代码里找到 bug 和优化空间，说明这套循环机制确实在输出真实价值。
然后 Karpathy 扔出了那句被无数人截图转发的话——
"All LLM frontier labs will do this. It's the final boss battle."
「所有 LLM 前沿实验室都会这么做。这是最终的 boss 战。」
▲ Karpathy 的后续帖：700 次实验，20 个有效改进全部迁移成功。366 万阅读，2 万赞
他还补了一句更通用的判断：
"And more generally,anymetric you care about that is reasonably efficient to evaluate ... can be autoresearched by an agent swarm."
「更广泛地说，任何你在意的、能高效评估的指标……都能被 agent 集群自动研究。」
这句话的射程远超 ML 训练。
风向变了：从「写 prompt」到「设计 loop」
回头看那条 viral 帖。
说"文档是假的"，严格来讲也不算完全错——Karpathy 原始仓库里并没有一字一板地列出「9 条规则」。但说"思想是假的"，那就大错特错了。viral 帖里描述的每一条原则，都能在 program.md 和 Karpathy 的推文里找到对应。
更重要的是，这条帖之所以能刷屏，是因为它精准地击中了 2026 年开发者群体里一种正在涌动的集体焦虑——
prompt engineering 正在过时。
旧的工作方式是什么样的？你精心打磨一条 prompt，发给模型，等输出，看一眼，觉得不对，再改 prompt，再发。状态全在上下文窗口里，关掉会话就全丢了。做简单任务还行，一旦涉及复杂、多步骤、长周期的工作，模型就开始幻觉、漂移、重复劳动。
Karpathy 示范的是完全不同的范式——
你的工作从"写指令"变成了"设计系统"。
这个系统包括：一份规则文档（program.md），一个明确的评估标准（val_bpb），一套持久化的状态管理（git + results.tsv），以及一组清晰的权限边界（什么能改什么不能碰）。
agent 在这个系统里自主运行：读规则 → 提出改动 → 执行 → 测量 → 保留或回滚 → 记录 → 进入下一轮。
循环可以跑一夜。可以跑一周。你去睡觉、去度假，它继续。
社区已经开始叫它"Karpathy Loop"。对标 prompt engineering，新名词叫loop engineering。
▲ The New Stack 深度拆解 Karpathy 的 AutoResearch：「630 行 Python 脚本一夜跑了 50 个实验，无需任何人工干预」
The New Stack 的报道直接把 program.md 定义为人类与 agent 之间的接口——一份持久的契约，取代了过去那种一次性的聊天指令。
行业里更多的信号也在印证这个方向。有人把同样的模式套到了数据库调优上，有人用来做 RAG 参数搜索，LangChain 的创始人 Harrison Chase 直接 fork 了 autoresearch，把可编辑资产从 train.py 换成了 agent.py，把评估指标换成了 LangSmith score。
一个已经被开发者社区广泛接受的判断正在浮出水面——
下一个稀缺技能，不再是"会写 prompt"。
是"会设计一个能可靠自治的循环，并且能写出清晰的 program/spec"。
Karpathy 自己也承认，他最近花在"meta-setup"上的时间远超直接调模型的时间。他在优化的是「让 agent 做研究」这个系统本身，而不再亲手写每一行训练代码。
这件事的意义，或许要过几年才能被完全消化。但信号已经很明确了：
当你还在一条一条打 prompt 的时候，有人已经在设计让 AI 自己跑一整夜的系统了。