GitHub 双响：Karpathy 的 autoresearch 让 AI 自己跑科研，agent-skills 给 Agent 装上工程大脑

要说 2026 年开源 AI 圈最不缺什么，那必须是”造 Agent”。GitHub 上周热榜又被刷屏，但这回有两颗星不一般：一个是 Andrej Karpathy 出手的 autoresearch，让 Agent 自己跑单卡科研；另一个是前端大佬 addyosmani 的 agent-skills，给 Claude Code 一票编码 Agent 们系统性地补上”工程大脑”。俩都不是营销号的噱头，是真能自己上手折腾的货，今天我就把俩都给你盘一遍，顺便说说哪些坑我得劝你别踩。

autoresearch：把”科研”交给一台显卡

先看大牌压阵的。Karpathy 这次开的 autoresearch（GitHub 已 96K 星）定位写得明明白白：让 AI Agent 在单张 GPU 上自动跑 nanochat 训练研究。它不上云、不堆算力，就老老实实吃你手头那块卡。用 Python 写，思路跟 Karpathy 一贯的路子对得上——不整玄学，把训练 nanochat 的每个环节拆成可被 Agent 调度的子任务，跑完自动喂回结果，接着把下一轮实验安排上。

说白了，它干的是”实验闭环自动化”：你给方向，它负责在本地 GPU 上反复训练、看指标、调参、再训。对想低成本做模型实验的老哥，这相当于给你配了个不知疲倦的科研实习生。唯一前提是你得真懂点 nanochat 和训练流程——它是干活工具，不是替你科普的锦囊。

agent-skills：99.9% 的人缺的”工程素质”

再看不那么响但更该上车的 agent-skills（94.9K 星，MIT 协议，地址 skills.addy.ie）。作者 addyosmani 是前端界老熟人，谷歌 Web 性能那块的大佬。他这次解决的问题特别接地气：大家都发现 Cursor、Claude Code、Codex 这些 Agent 写代码快，但一进工程级项目就露怯——不懂设计模式、不会写测试、代码丑得一塌糊涂。

agent-skills 就是给这些 Agent 预置了一套”生产级工程技能包”：代码审查、测试策略、性能优化、可访问性这些工程习惯，打包成一套一套的 skill，让 Agent”带着脑子”进项目，而不是只会吐代码。支持 Cursor、Claude Code、Codex、Antigravity 一堆主流工具，装完就能用。对天天被 AI 代码坑的开发者，这个是真解药。

实话：这俩能碰，但这几个坑务必绕开

说点实在的。autoresearch 好是好，但对新手太客气反而不是好事——你得先把 nanochat 训练和 Linux 显卡环境玩明白，否则它跑起来报错你都不知道去哪查。而且单卡共享显存要提前规划，Agent 自动调参时把显存放爆、卡死整机的情况我真见过。

agent-skills 这边，别一股脑把整包全装上。技能太多反而让 Agent 决策变慢、上下文膨胀，选跟你项目风格匹配的那几套才聪明。再提醒一句：skill 只是”工程规范”，它不替代你做人眼看架构。真要投产前，逻辑对错、边界情况还得自己过一遍，别把最终审查权全交出去。

一句话总结：autoresearch 是给懂训练的人省时间的实验机器，agent-skills 是给每个用 AI 编码的人补工程底子。一个是纵深的科研自动化，一个是横向的工程素质，正好补上 Agent 能力板上最薄的两块。想上车的，GitHub 上搜这俩名字，文档都齐全，装起来不难。别光看星数，动手跑一趟，你会发现踩坑的过程才是最值钱的教材。

by 数码罗记 · godsun.pro