#autoresearch Repositories
Entdecke 20 aktive Open-Source-GitHub-Repositories, die mit #autoresearch getaggt sind und insgesamt 40,850 Sterne gesammelt haben (durchschnittlich 2,042 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist alchaincyf/darwin-skill mit 7,015 Sternen.
Insgesamt 20 Repositories
达尔文.skill —— Ein System, das deine Skills unendlich evolviert: Bewertung→Verbesserung→Test→Behalten oder Rollback | Autoresearch-inspirierte autonome Skill-Optimierung für Claude Code. Bewerten, verbessern, testen, behalten oder zurücksetzen.
Claude Autoforschungs-Fähigkeit — Autonome zielgerichtete Iteration für Claude Code. Inspiriert von Karpathys Autoforschung. Ändern → Überprüfen → Behalten/Verwerfen → Endlos wiederholen.
Codex Autoresearch-Fähigkeit — Ein selbstgesteuertes iteratives System für Codex, das kontinuierlich durchläuft: modifizieren, überprüfen, behalten oder verwerfen und unendlich wiederholen. Inspiriert von Karpathys Autoresearch-Konzept.
Eine blueprint-gesteuerte AutoResearch-Laufzeitumgebung zur Orchestrierung von KI-Forschungsworkflows von der Ideengenerierung und Experimenten bis hin zum Verfassen von Papieren und Peer-Review.
Eine kuratierte Liste von autonomen Verbesserungsschleifen, Forschungsagenten und autoresearch-ähnlichen Systemen, inspiriert von Karpathys autoresearch.
Das erste verteilte AGI-System. Tausende autonomer KI-Agents trainieren gemeinsam Modelle, teilen Experimente über P2P-Gossip und treiben hier Durchbrüche voran. Komplett peer-to-peer. Trete von deinem Browser oder der CLI aus bei.
AutoResearch für GPU-Kernels. Geben Sie beliebiges PyTorch-Modell, schalten Sie es in den Schlafmodus und lassen Sie es mit optimierten Triton-Kernels aufwachen.
AIDE: ein LLM-Agent für Machine Learning Engineering – die Forschung, aus der Weco hervorging. Referenziert in OpenAIs MLE-bench.
Wiederverwendbare KI-Agenten-Skills für den Anbau von Softwarefarmen: Ideen erkunden, Spezifikationen schreiben, Agenten unbeaufsichtigt entwickeln lassen und anschließend das Gewachsene pflegen – Unkraut jäten, zurückschneiden und überprüfen. Funktioniert mit Claude Code, Codex und anderen Skill-kompatiblen Agenten.
verwandelt Ihre Codebasis in eine automatische Forschungsschleife – erkennt, was gemessen werden muss, instrumentiert den Benchmark und führt dann eine Baumsuche mit parallelen Sub-Agenten durch.
ein rekursiver selbstverbessernder Harness, der darauf ausgelegt ist, Ihre Agenten (und zukünftige Iterationen dieser Agenten) bei jeder Aufgabe erfolgreich zu unterstützen
Ein generalistischer autonomer Forschungsagent – führt Experimente durch, recherchiert und optimiert iterativ, autonom.
Principia extrahiert wiederverwendbare Prinzipien, setzt diese Prinzipien zu nachvollziehbaren Forschungsideen zusammen und hilft Forschern zu prüfen, warum eine Idee es wert sein könnte, getestet zu werden.
Open-Source-Autoresearch, angetrieben von autonomen Coding-Agenten. Führen Sie Claude Code, OpenCode und Codex mit Bewertung, geteiltem Wissen und Multi-Agenten-Evolution aus. Akzeptiert auf der COLM 2026.
Kuratiertes Verzeichnis von AutoResearch-Use-Cases mit Optimierungs-Traces und Open-Source-Implementierungen
Ein Codex-Plugin zum Ausführen von Optimierungsschleifen innerhalb einer Codebasis. Es ist nützlich, wenn Sie ein messbares Ziel und viele mögliche Änderungen zum Ausprobieren haben: Testlaufzeit, Build-Geschwindigkeit, Bundle-Größe, Modellverlust, Lighthouse-Scores, Speicherauslastung, Abfragelatenz oder jede andere Metrik, die Sie über ein Skript ausgeben können.
Gib einer KI eine Forschungsrichtung vor: Sie übernimmt selbst die Literaturauswertung, die Validierung von Forschungslücken, die Hypothesenbildung und die Versuchsplanung. 267 Markdown-Skills bilden einen Forschungsgraphen: 51 Vorgänge aus 216 atomaren Schritten, in beliebiger Reihenfolge und mit explizitem Zurückspringen; der Plan wird vor der Ausführung genehmigt, und unterbrochene Ausführungen lassen sich fortsetzen. Installation per npx, keine Laufzeitumgebung und kein API-Schlüssel erforderlich.
Häufig gestellte Fragen
Welches ist das beliebteste #autoresearch-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#autoresearch-Projekt auf GitHub ist alchaincyf/darwin-skill mit 7,015 Sternen. 达尔文.skill —— Ein System, das deine Skills unendlich evolviert: Bewertung→Verbesserung→Test→Behalten oder Rollback | Autoresearch-inspirierte autonome Skill-Optimierung für Claude Code. Bewerten, verbessern, testen, behalten oder zurücksetzen.
Welche Programmiersprachen werden in #autoresearch-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #autoresearch-Projekten auf GitHub sind Python, HTML, JavaScript, Shell die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #autoresearch-Repositories berechnet?
Wir verfolgen 20 aktive Open-Source-Repositories, die mit #autoresearch getaggt sind (500+ Sterne), mit insgesamt 40,850 Sternen und durchschnittlich 2,042 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.