Lord1Egypt Autonomous Research Framework
自主AI研究框架
灵感来源： Karpathy AutoRS
核心思想： 给AI一个真实的研究环境，让它自主实验、评估、迭代
一、核心设计
研究循环
实验设计 → 代码修改 → 训练运行 → 评估指标 → 结果分析
↑ ↓
←←← 保留/丢弃 → 更新上下文 → 继续下一轮 ←←←
三文件架构
| 文件 | 作用 | 修改权限 |
|---|---|---|
prepare.py |
数据准备、工具函数 | ❌ 不修改 |
train.py |
模型、优化器、训练循环 | ✅ Agent修改 |
program.md |
Agent指令、实验目标 | ✅ 人类修改 |
固定预算
- 时间预算： 每次实验固定时长（避免无限训练）
- 评估指标： 统一指标对比（val_loss, val_bpb 等）
- 可比较性： 相同预算下的结果可直接对比
二、使用方式
启动自主研究
请按照 program.md 的指令开始新一轮实验。
先查看当前 train.py 的状态，然后进行修改并运行。
研究循环
- 读取 program.md — 了解当前研究目标
- 分析 train.py — 理解当前实现
- 设计实验 — 提出假设、修改方案
- 运行训练 — 固定时间预算
- 评估结果 — 与基线对比
- 决定去留 — 保留提升、丢弃退步
- 记录学到的 — 更新记忆/日志
每次实验记录
## 实验 #[N] - [日期时间]
### 假设
[这次要改什么，为什么]
### 修改
[train.py 的改动点]
### 结果
- 评估指标: [数值]
- vs 基线: [+/-%]
### 决定
[保留/丢弃] - [原因]
三、program.md 模板
# Research Program
## 基线状态
- 模型: [描述]
- 优化器: [描述]
- 评估指标: val_bpb = [数值]
## 研究目标
[当前要解决的问题/优化方向]
## 可修改范围
- 模型架构（层数、hidden维度、attention头数）
- 优化器（学习率、beta、权重衰减）
- 训练参数（batch_size、seq_len）
- 正则化（dropout、weight_decay）
## 约束
- 训练时间: 5分钟固定
- 单GPU
- 只修改 train.py
## 当前重点
[Agent根据历史结果自行判断下一个实验方向]
四、评估指标指南
| 指标 | 说明 | 越低/高越好？ |
|---|---|---|
| val_bpb | 验证集每字节比特数 | 越低越好 |
| val_loss | 验证损失 | 越低越好 |
| test_acc | 测试准确率 | 越高越好 |
| perplexity | 语言模型困惑度 | 越低越好 |
五、实验策略
探索策略
- 随机扰动 — 小随机变化，找到局部最优
- 梯度方向 — 根据失败经验调整
- 消融实验 — 去掉某部分看影响
- 历史回顾 — 查看过去100次实验的模式
避免重复
- 记录已尝试的（学习率、架构组合等）
- 不重复已证明无效的实验
- 相似实验至少改一个关键变量
六、日志格式
实验日志 (experiments.md)
# 实验日志
## 实验记录
| # | 时间 | 修改 | 指标 | vs基线 | 决定 |
|---|------|------|------|--------|------|
| 1 | 2026-04-17 | 初始基线 | 1.234 | - | 基线 |
| 2 | 2026-04-17 | 学习率 1e-3→5e-4 | 1.189 | -3.6% | ✅保留 |
| 3 | 2026-04-17 | 层数 8→12 | 1.201 | -2.7% | ❌丢弃 |
## 关键发现
- 学习率降低有效
- 层数增加不一定好
七、快速开始
- 查看 program.md — 了解研究目标
- 查看 train.py — 理解当前实现
- 设计第一个实验 — 改什么、为什么
- 运行训练 —
python train.py - 记录结果 — 更新实验日志
- 决定下一步 — 继续或回退
八、Agent 指令
当用户要求开始自主研究时：
- 先读取
program.md了解目标 - 分析
train.py当前状态 - 提出修改假设
- 执行并记录
- 持续迭代
基于 Karpathy AutoRS 理念构建 | OpenClaw Skill