codex-autoresearch

抛个研究方向，AI 持续盯进度定期汇报

Codex Autoresearch 技能：为 Codex 打造的自主迭代系统，持续循环“修改、验证、保留或丢弃”，受 Karpathy 的 autoresearch 理念启发，实现无限自我优化。

开源 free 智能体

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2645

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类智能体

开发团队leo-lilinxiao

所属国家

官网地址

GitHubhttps://github.com/leo-lilinxiao/codex-autoresearch

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型automation,autonomous-agent,autoresearch,codex,codex-cli,codex-skill,developer-tools,iteration,openai,skill

GitHub 星标★ 2645

30天Star增速

HF 下载量

上线时间2026-03-18 00:00:00

最近更新2026-09-23 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数7

使用教程

难度：进阶约 10 分钟部署方式：命令行工具 5 步

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

项目介绍

codex-autoresearch 是智能体领域的开源项目，由 leo-lilinxiao 开发，是 2026 年新上线的项目。

在全站 13,014 个收录项目中，它的 GitHub 星标数（2,645）位列前 30%，在智能体分类的 2,499 个项目里位列前 15%。

近 45 天，它的 GitHub 星标从 2,116 增加到 2,645，净增 529。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-23。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：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。同类可对比的替代方案包括 AutoGPT、MetaGPT、SWE-agent。

上一篇：autoresearch

下一篇：Flowise