这两周 GitHub 最火的两个 AI 项目：让 Agent 自己训模型，还能盯着全世界
最近刷 GitHub，有两件事让我这种老顽固都忍不住点进去细看——一个是 Karpathy 大佬亲自下场做的「让 AI Agent 自己搞科研」的试验场，另一个是 87K 星的实时全球情报看板。方向完全不同，但都戳中了现在的热点：Agent 到底能不能自己干活。
我先把话说在前面：这俩不是那种「装个库调个 API」的玩具，一个要对 GPU 和训练有点概念才玩得转，一个是纯应用层、上手就能看。别急，我一个一个拆。
karpathy/autoresearch：让 AI Agent 通宵替你训模型
先说这个，作者是 Andrej Karpathy，就是当年在 OpenAI 和特斯拉都干过的那个。他这 repo 名字起得直接——「自动科研」，GitHub 上已经 96.5K 星，forks 1.3 万，2026 年 3 月才发的。
思路一句话：给 AI Agent 一个小而真实的大模型训练环境，让它晚上自己在那折腾。它改代码、训 5 分钟、跑个验证看有没有变好、好了就留坏了就扔、然后重复。第二天早上你起来，看到一晚上跑出来的一堆实验日志，运气好还有一版更棒的模型。
这个 repo 刻意做得特别小，真正要紧的就三个文件：
prepare.py：固定常量、一次性数据准备（下训练集、训 BPE 分词器），Agent 不动它；train.py：就这一个文件让 Agent 改，里面是完整的 GPT 模型、优化器（Muon + AdamW）和训练循环，架构、超参数、batch size 全都可以动；program.md：给 Agent 的初始指令，这个文件是给人改的。
这里的核心理念是：你不再像传统研究员那样手改 Python 代码，而是去”编程”program.md 这个 Markdown 文件，相当于给自动科研组织布置任务书。默认那份是最朴素的基线，你要是愿意迭代，就能慢慢找到「跑得最快的科研组织配置」，还能往里加更多 Agent。
有个细节我很喜欢：它把每次训练固定成 5 分钟（墙钟，不含启动和编译），评测指标用 val_bpb（验证集每字节位数，越低越好），这个指标跟词表大小无关，所以再怎么改结构都能公平对比。
硬件要求也不夸张，README 里说单张 NVIDIA GPU 就行（实测主流卡都能跑）。说白了，这是把「大模型训练」从一门手艺，变成一个可以让 Agent 自动试错的黑盒实验场。对想入门搞点真训练、又不想天天盯着的朋友，这是个挺有味道的切入点。
koala73/worldmonitor：87K 星的实时全球情报看板
再看世界监控（World Monitor），中文名我直译了，TypeScript 写的，87.2K 星，forks 1.3 万，AGPL v3 协议，2026 年 1 月发的，最近 commit 是前几天，非常活跃。
它做的是：一个实时全球情报看板——用 AI 做新闻聚合、地缘政治监控、基础设施跟踪，全部塞进一个统一态势感知界面。简单说，它把全球的新闻、事件、宏观数据实时汇总，再用 AI 给你提炼成一张能看得懂的”世界当前发生了什么”的图景。
亮点是它分了好多垂直变体，官网地址一堆，我一个一个列出来给你看：
worldmonitor.app：主看板；tech.worldmonitor.app：科技向，盯技术圈动态；finance.worldmonitor.app：金融向，宏观和市场；commodity.worldmonitor.app：大宗商品；happy.worldmonitor.app、energy.worldmonitor.app：正面向和能源向。
这项目牛就牛在，它不像普通新闻聚合只是把标题堆一堆，而是用 AI 做态势感知——把散落的信息串成一条条可理解的情报。对做宏观研究、交易盯盘的人，或者单纯想一眼看清这个世界在发生什么的人，都挺实用。而且开源自托管，数据在自己手里,不会被平台掐着喂。
两句实话
这两个项目热度高但不代表没坑。autoresearch 想玩明白，得对 GPU 训练、模型结构有基本认知，纯小白上来可能一头雾水——它给的是「科研组织」的框架，不是一键训练器。worldmonitor 呢，AI 情报聚合这东西，源数据质量和算法过滤很关键，别指望它全知全能，把它当「信息入口」而不是「标准答案」看更稳妥。
火归火，自己动手试一把，比看星数有用得多。
数码罗记 · godsun.pro —— 硬核聊开源，测过才敢写。喜欢点个关注，下一篇继续挖 GitHub 上的好东西。
