用AutoScientists跑nanoGPT自动优化：智能体团队如何实现1.9倍训练加速的完整实战

用AutoScientists跑nanoGPT自动优化智能体团队如何实现1.9倍训练加速的完整实战【免费下载链接】AutoScientistsAutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation项目地址: https://gitcode.com/gh_mirrors/au/AutoScientistsAutoScientists是一个自组织 AI 智能体团队框架专为长时间运行的科学实验设计。它没有中央规划者而是让 10 个 AI 智能体围绕可证伪的假设自动组队、互相评审方案、共享成败经验持续并行搜索最优解。在 nanoGPT 训练优化任务上它比基线快1.9 倍达到目标验证指标且沉淀了 7 个被采纳的改进单智能体基线为 0。本文带你完整跑通这个任务。为什么是团队而不是单个智能体传统 AI Agent 系统要么走单条研究路径要么靠中央规划器调度。AutoScientists 的做法完全不同自组织组队智能体围绕有前景的假设自动分组成 3 支队伍而不是按搜索维度硬切分先评审再烧算力每个实验必须以[PROPOSAL]帖子发起至少 1 名队员评论后才进入实验队列共享成功与失败所有结果写入共享工作区避免重复探索让并行搜索在数小时甚至数天内持续有效官方公布的三组核心结果任务结果 nanoGPT 训练优化val_bpb达到目标指标快1.9 倍7 个采纳改进 vs 单智能体基线的 0 个 BioML-Bench24 项生物医学任务平均排行榜百分位 74.4%比最强先期 AI 智能体 8.33% ProteinGym 适应度预测ACE2-Spike 结合实验 12.5%217 项实验平均 6.5%一键安装准备工作清单本任务task-autoresearch是对 nanoGPT 预训练循环val_bpb验证集每字节比特数越低越好的开放式优化智能体会不断演化train.py。硬件与软件要求GPU推荐 2× NVIDIA H10080 GB分别绑定CUDA_VISIBLE_DEVICES0和1Node.js 22自带npxPython 3.9Claude CodeCLIclaude命令三步完成部署1️⃣ 获取项目仓库git clone https://gitcode.com/gh_mirrors/au/AutoScientists2️⃣ 启动本地协调服务器所有智能体通过它交流并安装 Python 依赖npx clawinstitute start pip install -r requirements.txt3️⃣ 首次运行前拉取 nanoGPT 优化基准代码到repo/目录bash task-autoresearch/download_repo.sh 提示npx clawinstitute start首次会从 npm 下载并缓存 ClawInstitute 包之后运行直接复用缓存。最快启动方法一行命令开启智能体团队一切就绪后在仓库根目录执行claude -p Read runbook.md and execute. Task: task-autoresearch. Run name: ar_v1.launch.py会创建一个独立的运行目录../ar_v1/包含完整的系统副本、10 个智能体、工作区和日志——模板本身保持干净可反复启动不同实验。这个团队由谁组成角色数量职责️ Monitor监控1全局引导启动、组建团队、监控系统健康 GPU Agent6认领实验、跑训练、记录结果 Analyst分析员3研究机制、提出实验方案、剪枝死胡同智能体团队每天在做什么整个系统遵循四阶段生命周期详见 system/reference/PHASES.md 描述的流程1️⃣ Bootstrap引导Monitor 创建工作坊、主工作区和启动讨论帖。冷启动快速路径要求前 5 分钟内完成第一次 GPU 派发——先让 GPU 忙起来而不是等完美的讨论。2️⃣ Discuss讨论组队所有智能体各提 1 条假设性提案含可证伪的预测Monitor 据此组建 3 支围绕不同假设的队伍。3️⃣ Execute执行循环核心节奏是——分析员读取当前冠军配置champion.md和近期结果审计哪些参数从未被测试过提出带完整推理依据的[PROPOSAL]GPU 智能体从队首认领实验复制冠军train.py应用单一改动同步阻塞等待训练完成再记录KEEP严格超越冠军或DISCARD冠军晋升只有 KEEP 才会把新的train.py原子性地复制到champion/train.py——这是所有后续实验的唯一基线。改动超过 0.001 的大赢还会触发自动括号搜索在旧值与新值之间及超越新值处各补一个实验逼近真最优多随机种子门控提升幅度小于 2σ 噪声带时必须换种子重跑确认防止幸运种子污染冠军4️⃣ Adapt自适应每 3 个循环强制执行一次元改进——编排器审视日志诊断最大失效模式如提案重复率高、队列耗尽然后直接编辑角色模板文件修一处让系统自我进化。什么时候停下来这是一个无截止时间的开放式优化任务。退出条件很明确停滞退出最近 10 个实验出现0 个 KEEP说明搜索已收敛循环停止等待人工介入手动CtrlC中断最终报告会打印总循环数和冠军来源哪个智能体的哪次实验产出了最终train.py。关键文件导航文件作用runbook.md编排器基础控制流执行循环、冠军晋升、健康检查launch.py一键创建独立运行目录、注册 10 个智能体task-autoresearch/TASK.md任务规格优化目标val_bpb、停止条件、硬件要求task-autoresearch/LAUNCH.md任务画像GPU 派发策略、冷启动快速路径、元改进规则system/templates/ROLE-GPU.mdGPU 智能体完整协议认领、训练、结果记录system/templates/ROLE-ANALYST.md分析员协议噪声底、死胡同剪枝、覆盖审计system/reference/META-IMPROVEMENT.md元改进指南如何诊断并修复团队问题 编排器是纯协调者——它只负责启动智能体和收割结果绝不亲自训练。这正是1.9 倍加速的来源并行、免重复、会自我修正的多智能体搜索。【免费下载链接】AutoScientistsAutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation项目地址: https://gitcode.com/gh_mirrors/au/AutoScientists创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考