codex-autoresearch
抛个研究方向，AI 持续盯进度定期汇报
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 3141
使用教程
ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。
环境要求
- 已安装 Codex CLI（支持 Skills 机制）
- 准备一个干净的 Git 仓库作为实验对象
- Codex 需以 Full Access 权限运行
- 目标必须能被某条命令量化测量（如错误数、覆盖率、延迟）
安装与启动步骤
-
1安装技能
在 Codex 中通过 skill-installer 从 GitHub 安装该技能，无需手动下载源码。
$skill-installer install https://github.com/leo-lilinxiao/codex-autoresearch -
2启动 Full Access 模式
在干净的 Git 仓库目录下以绕过审批与沙箱的方式启动 Codex，确保技能可自主读写代码。
codex --dangerously-bypass-approvals-and-sandbox -
3调用技能并给目标
向 Codex 描述可测量的目标，例如把 score.py 输出的 error_count 降到 0。
$codex-autoresearch -
4确认实验参数
Codex 会回报基线值、目标值、修改范围、验证命令与护栏命令，你确认后选择前台或后台运行。
-
5等待自动迭代
Codex 每次只改一处，验证通过则保留改进、失败则回滚，循环直到达到目标。
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
Target（目标） | 是 | 期望达到的可测量结果，例如 error_count 降至 0。 | Reduce `python3 scripts/score.py` error_count to 0. |
Verify（验证命令） | 是 | 用于读取指标的命令及取值方式。 | python3 scripts/score.py, JSON key error_count |
Scope（范围） | 否 | 限定 Codex 允许修改的目录范围。 | src/ |
Guard（护栏命令） | 否 | 每次修改后必须仍然通过的回归检查。 | python3 -m pytest -q |
运行方式 | 否 | 选择前台或后台运行实验循环。 | Background |
如何确认成功
Codex 回报 Baseline、Target、Scope、Verify、Guard 并开始运行，即表示启动成功；再跑验证命令可见指标下降。
常见问题
Q：需要修改 Codex 配置或特殊提示语法吗？
A：不需要。README 明确说明无需任何 Codex 配置变更或特殊提示语法，安装后直接调用技能即可。
Q：能用来优化哪些指标？
A：测试失败数、代码覆盖率、类型错误、警告数、延迟、二进制体积、可复现的安全问题等，任何能被命令测量出结果的目标都适用。
Q：想手动安装或参与开发怎么办？
A：README 指引查看仓库中的 docs/INSTALL.md，里面包含手动安装与开发模式安装说明。
Q：为什么命令里要加 --dangerously-bypass-approvals-and-sandbox？
A：技能需要自主修改和回滚代码，README 要求以 Full Access 运行；该参数会绕过审批与沙箱，风险较高，务必在可丢弃的仓库中使用。
注意事项
- 该启动参数绕过审批与沙箱，建议只在干净、可随时丢弃或已提交备份的 Git 仓库中实验。
- Codex 每次只改一处，验证不通过会自动回滚，因此每个实验轮次都可追溯。
- 验证命令的输出最好结构化（README 示例使用 JSON key），便于自动判断改进还是退化。
- 手动安装与开发安装方式见仓库 docs/INSTALL.md，本教程未覆盖其中细节。
核心亮点
- 将Karpathy的autoresearch理念落地为可执行的Codex技能，实现修改-验证-保留/丢弃的自动化闭环，显著提升迭代效率。
- 基于Python实现，与Codex CLI深度集成，安装使用门槛低，易于被现有Codex用户采纳。
- 项目处于成长阶段，星标增长迅速，社区关注度高，说明其解决真实痛点，具备较强吸引力。
不足之处
- 依赖Codex CLI和OpenAI服务，对非Codex用户或离线环境不友好，适用范围受限。
- 文档/社区待观察：项目尚在成长，文档完整性和社区生态成熟度有待时间检验。
适用场景
- 开发者在Codex环境中进行复杂代码任务的自主迭代调试，减少人工介入。
- 研究性编程或算法探索中，需要快速验证多种方案并自动保留有效结果。
- 作为OpenAI Codex的高级工作流增强工具，用于自动化重构、测试和代码优化。
替代项目
AutoGPT、MetaGPT、SWE-agent
上一篇：autoresearch
下一篇：Flowise
同类项目推荐
agentic-threat-hunting-framework
开源
让AI代理自动狩猎威胁，越用越聪明
ATHF is a framework for agentic threat hunting - building systems that can remember,···
void-box
开源
给 AI 智能体套上安全隔离壳，放心跑复杂任务
Composable agent runtime with enforced isolation boundaries
learn-claude-code
开源
手把手教你用 Python 从零写一个 AI 智能体
Bash is all you need - A nano claude code–like 「agent harness」, built from 0 to ···
Aegis
开源
让AI编程不跑偏，守住架构基线，长任务更安全
Make AI coding agents architecture-aware: baseline-first, evidence-verified, drift-c···
openmozi
开源
打造你的专属 AI 助手，像黑客一样掌控一切
A custom Agent OS built to be hackable, heavily inspired by OpenClaw.
SkillLens
开源
把智能体技能从生成到调用的全过程拆开做实验
SkillLens: a framework for studying model-generated agent skills across the full raw···
gemini-kit
开源
装进 Gemini CLI，自动规划、测试、审查，编码快 10 倍
19 AI Agents + 44 Commands for Gemini CLI - Code 10x faster with auto planning, test···
Agent-Reach
开源
抛出问题就出答案，再也不用全网翻找资料
Give your AI agent eyes to see the entire internet. Read & search Twitter, Reddit, Y···
inkos
开源
小说剧本游戏IP，一句话全包了
Story Creation AI Agent for novel, scripts, translation, interactive games, and IP c···