#autoresearch Dépôts
Découvrez 20 dépôts GitHub open source actifs associés à #autoresearch, cumulant 40,850 étoiles au total (soit une moyenne de 2,042 étoiles par projet). Le projet en tête de ce thème est alchaincyf/darwin-skill, avec 7,015 étoiles.
20 dépôts au total
达尔文.skill —— Un système qui fait évoluer vos Skills à l'infini : évaluation → amélioration → test → conservation ou rollback | Optimisation autonome des skills inspirée d'Autoresearch pour Claude Code. Évaluer, améliorer, tester, conserver ou réverter.
Compétence d'Autorecherche Claude — Itération autonome orientée vers les objectifs pour Claude Code. Inspiré par l'autoresearch de Karpathy. Modifier → Vérifier → Conserver/Rejeter → Répéter indéfiniment.
Compétence Codex Autoresearch — Un système itératif auto-dirigé pour Codex qui boucle continuellement à travers : modifier, vérifier, conserver ou rejeter, et répéter indéfiniment. Inspiré du concept autoresearch de Karpathy.
Un runtime AutoResearch piloté par des plans pour orchestrer les workflows de recherche en IA, de la génération d'idées et des expériences à la rédaction d'articles et à l'évaluation par les pairs.
Une liste soigneusement sélectionnée de boucles d'amélioration autonomes, d'agents de recherche et de systèmes de style autoresearch inspirés par l'autoresearch de Karpathy.
Le premier système AGI distribué. Des milliers d'agents IA autonomes entraînent des modèles en collaboration, partagent des expériences via le gossip P2P et propulsent des avancées ici. Entièrement peer-to-peer. Rejoignez depuis votre navigateur ou CLI.
AutoResearch pour les kernels GPU. Donnez-lui n'importe quel modèle PyTorch, laissez-le dormir, et réveillez-le pour obtenir des kernels Triton optimisés.
AIDE : un agent LLM pour l'ingénierie du machine learning, la recherche dont Weco est issu. Référencé dans le MLE-bench d'OpenAI.
Des compétences réutilisables pour des agents IA qui font pousser des fermes logicielles : explorez des idées, rédigez des spécifications, laissez les agents construire sans supervision, puis faites le tri parmi ce qui a poussé — désherbez, taillez et vérifiez. Compatible avec Claude Code, Codex et d’autres agents prenant en charge les compétences.
transforme votre base de code en une boucle de recherche automatique — découvre ce qu'il faut mesurer, instrumente le benchmark, puis exécute une recherche arborescente avec des sous-agents parallèles.
un harnais récursif auto-améliorant conçu pour aider vos agents (et les itérations futures de ces agents) à réussir dans toute tâche
Un agent de recherche autonome généraliste — mène des expériences, effectue des recherches et optimise de manière itérative, de façon autonome.
Principia extrait des principes réutilisables, compose ces principes en idées de recherche traçables et aide les chercheurs à examiner pourquoi une idée peut valoir la peine d'être testée.
Recherche automatique open-source alimentée par des agents de codage autonomes. Exécutez Claude Code, OpenCode et Codex avec notation, connaissances partagées et évolution multi-agents. Accepté à COLM 2026.
Liste curated des cas d'utilisation d'AutoResearch avec traces d'optimisation et implémentations open source
Un plugin codex pour exécuter des boucles d'optimisation au sein d'une base de code. Il est utile lorsque vous avez un objectif mesurable et de nombreux changements possibles à tester : temps d'exécution des tests, vitesse de compilation, taille du bundle, perte du modèle, scores Lighthouse, utilisation de la mémoire, latence des requêtes ou toute autre métrique que vous pouvez imprimer à partir d'un script.
Donnez à une IA un axe de recherche : elle réalise elle-même la synthèse de la littérature, la validation des lacunes, la formulation d’hypothèses et la conception d’expériences. 267 compétences Markdown forment un graphe de recherche : 51 opérations composées de 216 étapes élémentaires, exécutables dans n’importe quel ordre avec retour en arrière explicite ; le plan est approuvé avant son exécution et les exécutions interrompues peuvent reprendre. Installation avec npx, sans environnement d’exécution ni clé API.
Foire aux questions
Quel est le dépôt #autoresearch le plus populaire sur GitHub ?
Le projet #autoresearch open source le mieux classé sur GitHub est alchaincyf/darwin-skill, avec 7,015 étoiles. 达尔文.skill —— Un système qui fait évoluer vos Skills à l'infini : évaluation → amélioration → test → conservation ou rollback | Optimisation autonome des skills inspirée d'Autoresearch pour Claude Code. Évaluer, améliorer, tester, conserver ou réverter.
Quels langages de programmation sont les plus utilisés dans les dépôts #autoresearch ?
Parmi les projets #autoresearch les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, HTML, JavaScript, Shell.
Comment le classement des dépôts #autoresearch est-il calculé ?
Nous suivons 20 dépôts open source actifs associés à #autoresearch (500+ étoiles), totalisant 40,850 étoiles, avec une moyenne de 2,042 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.