本文介绍了一种基于 Andrej Karpathy 提出的 autoresearch 方法，通过 AI 代理自动循环测试、评分并迭代优化提示词，实现 Claude 技能的全自动进化。
📝 详细摘要
文章详细拆解了由 Andrej Karpathy 提出的「自动研究」（autoresearch）方法论，旨在解决 AI 提示词（Prompt）效果不稳定的问题。该方法的核心在于将提示词视为「菜谱」，通过 AI 代理执行自动化循环：对提示词进行微调、运行测试、根据预设的「是/否」检查清单进行评分，并根据得分决定保留或回退改动。作者分享了将落地页文案通过率从 56% 提升至 92% 的实战案例，并提供了具体的实施步骤、检查清单设计原则以及开源工具链接。该方法不仅适用于提示词优化，还可扩展至网站性能优化、邮件营销等可量化的技术场景。
💡 主要观点
- Autoresearch 方法的核心是「自动化循环迭代」。 模仿科研过程，由 AI 代理对提示词进行微小改动并测试结果，通过持续的「尝试-评估-保留/回退」循环，在无需人工干预的情况下逼近最优解。
💬 文章金句
- 与其你亲自动手一点点改进，不如让 AI 代理替你循环迭代。
- 你唯一需要提供的，就是评分标准。
- 三到六个问题是最佳数量。太多了，技能就会开始「应试」——就像那种把答案背得滚瓜烂熟、却完全没理解知识点的学生。
- 分数上去了就保留改动，下来了就撤回。然后再来一轮。再来一轮。
📊 文章信息
AI 评分：87
来源：前端早读课
作者：前端早读课
分类：人工智能
语言：中文
阅读时间：13 分钟
字数：3204
标签： Andrej Karpathy, Autoresearch, Prompt Engineering, AI Agent, Claude