本文提出AI代理系统的核心架构分为循环、技能和编排器三层，强调持久执行与可观测性对于构建可靠、可演进的代理系统至关重要。

本文提出了基座工程（底座工程）的14步路线图，强调循环工程（如Claude Code的/loop）的效果取决于其运行的基座（模型、工具、权限、上下文、记忆等）的质量，先打造好基座，再套上循环，才能实现自我进化的代理系统。

本文介绍了Kimi K2.6模型驱动的300代理并行群集系统，通过规范、分解、执行、验证、存储技能和循环反馈，实现每次运行后系统级自我进化，大幅降低后续成本并提升输出质量。

本页介绍了用4个提示词在Claude中复现斯坦福STORM研究法，从而在5分钟内从多角度深入分析任何主题的方法。

本文介绍了一种基于内外循环的AI代理自改进方法，通过内部循环应用技能和外部循环根据反馈自动优化技能，并以Issue分类为例演示其实现。

从手动给AI Agent写提示词转变为设计自动循环系统，让Agent自我驱动和执行任务。

自主编码正从优化提示转向构建目标、评估器、循环与验证器等控制系统，以实现代理的长时间自主工作与可验证性。

真正的科研能力是一系列可刻意训练的小技能，包括自主选题、升级输入、写下一切、加快实验循环、仔细分析输出、有目的地探索、找到合适的人以及长期积累，而非表面模仿研究者行为。

循环工程取代了手动提示编码代理的方式，通过设计自动化循环系统让代理自主迭代工作，但工程师仍需保持对代码的理解和审查以避免质量下降。

本文介绍如何通过定义完成标准、确定性检查与评分制评估来评估 Codex 技能的改进与回归。