【免费下载链接】awesome-autoresearchCurated list of AutoResearch use cases with optimization traces and open source implementations项目地址https://gitcode.com/gh_mirrors/awe/awesome-autoresearch点击查看免费下载Shopify CEO Tobi Lutke 亲自下场用 AutoResearch 方法把 Liquid 模板引擎提速 53%93 次自动提交解析与渲染更快内存分配减少 61%。本文基于 awesome-autoresearch 收录的完整优化轨迹带你完整复盘这一明星案例看懂 AutoResearch 自动化优化方法如何落地。AutoResearch自动优化循环一个提示词如何驱动代码迭代AutoResearch 的核心出奇地简单——它本质上就是一个提示词。Karpathy 以单个 markdown 文件program.md的形式发布它用来指导编码智能体Claude Code、Codex 等执行一套固定的优化工作流智能体修改一个目标文件原始版本中是训练语言模型的train.py在 GPU 上运行固定的 5 分钟评测检查指标是否提升结果写入results.tsv提升则git commit保留否则git reset回滚循环往复永不停歇整个流程可以概括为一句话针对评测指标迭代优化一个文件配合保留 / 丢弃循环。正是这种结构让它能从一个 LLM 训练脚本迁移到几乎任何可量化优化的对象上。Shopify Liquid模板引擎为何值得优化Liquid 是 Shopify 的模板引擎负责把商家的主题模板渲染成真实的电商页面。对 Shopify 来说它天然适合 AutoResearch 这类自动优化循环每次页面请求都伴随模板解析与渲染开销内存分配次数直接影响高并发下的延迟与成本引擎代码成熟、边界情况多人肉调优极其耗时Tobi Lutke 的做法是把引擎交给 AutoResearch 循环智能体提出改动 → 跑基准测试 → 测出解析渲染耗时与分配数 → 更好则提交否则回滚。最终由社区贡献者的通用化实现pi-autoresearch跑出了93 次自动提交、解析渲染提速 53%、内存分配减少 61%的成果并以 PR #2056 的形式提交回 Shopify 官方 liquid 仓库。提速53%复盘为什么这个案例值得研究大多数AI 写代码的演示只给你看最终结果而 awesome-autoresearch 的收录标准恰恰相反——每个案例都附带优化轨迹trace你能看到智能体尝试了什么、哪一步突破、哪一步失败。Liquid 案例的价值在于⚡对象真实不是玩具项目而是每天承载海量真实流量的生产级引擎指标可验证解析渲染耗时、分配次数都是硬指标不存在看起来变快了轨迹公开93 次提交的每一步都可追溯方法本身被完整证明可复用pi-autoresearch 把循环泛化为任意优化目标——测试速度、bundle 大小、构建时间、Lighthouse 分数都可以作为指标从nanoGPT到LiquidAutoResearch方法的迁移路径原始 AutoResearch 只针对一个任务训练一个 GPT 模型Karpathy 的 nanoGPT 场景一夜之间在手工精心调优的代码上找到 20 处改进。但编辑文件 → 固定评测 → 保留/回滚这个骨架是可移植的。发布数周后社区已经把它搬到了各种场景awesome-autoresearch 对代表性用例的收录如下应用场景成果LLM 训练优化原版一夜之间 20 处改进Liquid 模板引擎解析渲染提速 53%分配减少 61%GPU 内核优化18 → 187 TFLOPS语音 Agent 提示词工程评分 0.728 → 0.969TPU 训练性能优化多个方案超越 MaxText 参考实现生物信息学软件加速中位数 16.7x最高 1482x可以看到每个场景的program.md内容都不一样但循环本身始终相同——这就是 awesome-autoresearch 收录方法论的核心洞察。awesome-autoresearch新手上手指南三步开始自动优化awesome-autoresearch 是一个精选清单仓库收录所有带完整优化轨迹的 AutoResearch 用例与开源实现。全部内容都在 README.md 中按三大板块组织仓库基于 LICENSECC0 1.0 协议Use Cases真实用例每条都附作者与优化轨迹链接Benchmarks Evaluation面向研究智能体策略的评测基准如 FML-bench 对 18 个 ML 研究任务的受控研究Implementations Forks从原版 autoresearch 到 pi-autoresearch、CORAL 多智能体协作等十余个实现上手三步读轨迹挑一个与你领域相近的用例看它的优化轨迹图理解智能体先试什么、后试什么换指标把你自己关心的可测量指标耗时、得分、体积……写进program.md跑循环让编码智能体按改动 → 评测 → commit / reset循环工作你只负责审阅最终结果给新手的3个关键启示指标必须可丢弃友好循环要求每次实验要么保留要么回滚指标必须客观、可复现智能体才不会钻空子。清单里就有反例——网球 XGBoost 预测用例中作者发现并如实记录了 reward hacking奖励作弊现象看轨迹别只看终点awesome-autoresearch 收录的每条 trace 都展示智能体的完整搜索路径这比任何最终报告都有学习价值从最小循环开始一个文件、一个指标、一次 5 分钟评测就能跑通整个方法——Shopify 案例证明简单循环的复利效应惊人AutoResearch 方法没有玄学固定评测 自动保留/回滚 无限循环。Shopify CEO 亲自下场换来的 53% 提速说明这套循环在真实、苛刻的工程场景中完全成立 赞分享【免费下载链接】awesome-autoresearchCurated list of AutoResearch use cases with optimization traces and open source implementations项目地址https://gitcode.com/gh_mirrors/awe/awesome-autoresearch点击查看免费下载相关推荐Shopify的Liquid模板引擎安全且灵活的Web应用前端语言Shopify的Liquid模板引擎安全且灵活的Web应用前端语言 项目基础介绍及编程语言 Shopify的 Liquid https://github.co模板引擎后端Jekyll Liquid模板引擎高级用法与自定义扩展Jekyll Liquid模板引擎高级用法与自定义扩展 本文深入探讨了Jekyll中Liquid模板引擎的高级应用技术涵盖了从基础语法到自定义扩展的完整知识前端CMS如何在现代设备上重温经典仙剑奇侠传SDLPAL项目给你完美解决方案如何在现代设备上重温经典仙剑奇侠传SDLPAL项目给你完美解决方案 你是否还记得那个经典的仙剑奇侠传游戏那些动人的剧情、优美的音乐还有李逍遥、赵灵儿等角色游戏开发音视频创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考