Karpathy联手VibeCoding：打造GitHub智能编程Agent
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。
相关攻略
从零到一：用AI生成一份专业的媒体影响力报告 但凡在内容或运营团队待过的人，大概都对制作《媒体影响力报告》这类活儿记忆犹新。那过程，堪称一场跨部门接力赛：运营同事得先从各个平台后台手动扒拉数据，计算阅读量、粉丝增长和互动率；拿到一堆冰冷数字后，还得拉着账号负责人反复琢磨定位和文案；最后，抱着半成品火
封面新闻记者 邹阿江 图由航空工业成飞提供 2026年“五一”国际劳动节前夕，航空工业成飞的技术专家聂海平，荣获了一枚全国五一劳动奖章。 消息传来，身边同事都说，“大师”拿奖是实至名归。可聂海平自己呢，还是那副老样子——摆摆手，说自己不过是个普通人，幸运地站在一个好平台上，干着点自己感兴趣的事儿罢了
编辑 | 王凤枝 “AI时代，每天干3个小时就足够了。” 这句话出自前亚马逊资深工程师、技术大牛史蒂夫·雅吉（Steve Yegge）之口，算得上是对当前AI狂热的一剂清醒剂。 当整个行业都在为“10倍提效”而欢呼雀跃时，雅吉却点出了一个被普遍忽视的代价：在AI的高强度辅助下，程序员的产出固然爆炸式
一、概述 每天重复相同的操作，是不是感觉有点枯燥？比如，你每天都要煮饭，得经历洗米、加水、按下煮饭键这三步。如果每次都要从头到尾念叨一遍这个过程，那可就太费劲了。 别担心，函数就是来拯救你的。在Python的世界里，函数就像一个“一键煮饭”的智能按钮。你只需要把那些重复的步骤打包成一个固定的“命令”
吃透Pandas两大“数据汇总神器”：透视表与交叉表实战指南 在数据处理的工具箱里，如果说基础的清洗、筛选是基本功，那么多维度、交叉式的数据汇总，往往就是区分新手与熟手的分水岭。面对诸如“按地区加品类统计销售额”、“分析不同省份的商品订单分布”这类需求，如果还停留在手动分组、多层循环的老路上，不仅代
热门专题
热门推荐
根据Gartner最新市场报告，2025年全球PC出货量突破2 7亿台，同比增长9 1%。在人工智能技术浪潮与AI PC算力升级需求的双重驱动下，整个PC行业正迈入一个全新的增长周期。作为细分市场的重要力量，游戏笔记本电脑也迎来了关乎性能、体验与场景定义的关键换代节点。 回顾行业发展，英特尔于202
TUSD是一种与美元1:1锚定的合规稳定币，由TrustToken团队推出。它通过第三方机构定期审计和银行账户托管确保透明度，旨在提供可靠的数字美元解决方案。其用途涵盖交易、支付、DeFi及跨境结算，但用户仍需关注其中心化托管、监管变化及智能合约安全等潜在风险。
OpenClaw 生态中那个关键的“眼睛”和“手”——Peekaboo v3，正式回归了。这不仅是一次版本更新，更像是一次关键的“补完”。它让 AI 不再只是停留在聊天框里给出建议，而是真正获得了观察屏幕、点击按钮、操作真实桌面的能力。 过去几个月，OpenClaw 的热度经历了一个典型的周期：从概
微信小游戏《找个球》，玩的就是眼力。每张看似相同的图片里，都藏着好几处“破绽”——有的明显，有的则隐蔽得让人抓狂。从简单的卧室场景，到复杂的宴会、雨夜，关卡越往后，画面细节越多，挑战也越大。想通关？秘诀就一个：沉住气，从左到右，一寸一寸地对比。 为了方便大家攻克难关，这里整理了一份全关卡通关攻略图合
《找个球》第10关攻略详解：如何快速找出15处不同？本关场景围绕经典角色“嬛嬛”与“大胖橘”展开，挑战在于发现两幅图片间的细微差别。这些差异点主要隐藏在人物的发饰造型、衣领褶皱、服饰花纹等细节处。同时，背景中的花草形态、秋千绳索乃至庭院摆设也可能存在巧妙改动。想要高效通关，建议玩家采用分区对比法，先