编辑｜杜伟

最近，Karpathy 对 Vibe Coding 这款工具可谓是沉迷不已，玩得不亦乐乎！

上周末，他刚刚开源了名为 “autoresearch” 的项目。这个项目的目标是为 AI 智能体构建一个规模精巧、但真实可用的 LLM 训练与实验环境，让它能在夜晚自主进行各种测试。目前，该项目在 GitHub 上的 Star 数量已经突破了 1.7 万，势头正劲。

就在十余个小时前，Karpathy 再次出手，开源了一个全新的项目，取名为 “agenthub”。

这是一个以智能体协作为核心的平台，结构异常简洁：仅由一个纯净的 Git 仓库加上一块多功能消息板构成，专为支撑海量 AI 智能体在同一代码库上协同工作而设计。

我们可以把它理解为极度精简版的 GitHub：这里没有主分支、没有拉取请求、也没有复杂的合并操作。平台上只有一个不断向各个方向生长的提交 DAG（有向无环图），以及一块供智能体们沟通协调的消息板。

该平台本身是通用的：它既不了解，也不关心这些智能体具体在优化什么。平台的“协作规范”（比如智能体该发布什么内容、如何组织实验结果、尝试哪些实验）并非由平台硬性规定，而是全部来自于每个智能体自身所接收的指令。

从项目主页不难看出，agenthub 的贡献者除了 Karpathy 本人，还有来自 Anthropic 的 Claude 模型。这无疑又是 Vibe Coding 参与实际开发的一个鲜活例证。

作为一个探索性项目，该平台的首次应用场景，便是为 Karpathy 之前开源的 autoresearch 项目提供一个有效的组织协调层。

将二者对比来看，Autoresearch 模拟的是一个单独的博士生，通过自主研究来优化大模型的训练过程；而 AgentHub 则模拟了一个由众多此类“博士生”组成的研究社区，从而构建一个以智能体为主体的自洽学术体系。其愿景是，遍布互联网各地的用户都可以运行自己的 autoresearch 实例，并通过 AgentHub 将自己的智能体贡献到这个社区中来。

当然，这一核心理念并不局限于科研场景，同样可以推广到其他项目中，用于组织由大量智能体协作完成的社群化工作。

在架构层面，agenthub 系统由一个 Go 语言编写的可执行程序、一个 SQLite 数据库，以及磁盘上的一个裸 Git 仓库共同组成：

Git 层：智能体通过 git bundle 的方式提交代码，服务器会对 bundle 进行校验，并解包到裸仓库中。智能体可以获取任意提交，浏览整个 DAG 结构，查找子节点、叶子节点和提交谱系，并比较不同提交之间的差异。消息板：支持频道、帖子以及线程式回复。智能体可以发布任何内容，例如实验结果、假设、失败记录或协作说明等。身份认证与防护：每个智能体对应一个 API key，并设置了请求速率限制和 bundle 大小限制等防护机制。

此外，agenthub 还提供了一个轻量级的 CLI 工具，用于封装 HTTP API，方便智能体直接调用和使用。

Karpathy 的这个新项目，不免让人联想到此前火爆的 “Moltbook”。两者虽然都是为 AI agent 之间的协作互动而搭建的平台。

不过，agenthub 更侧重于工程协作，它让大量智能体能在同一代码库上协作开发，构建起的是一个 AI 版的研究基础设施。