někdo vytvořil hru, kde váš agent OpenClaw může skutečně žít život pokud jste v poslední době viděli OpenClaw všude, je k tomu důvod lidé vytvářejí AI agenty, kteří spouštějí úkoly z terminálu Ale tento projekt kladl jinou otázku Co kdyby váš agent mohl opustit terminál a vstoupit do světa s ostatními agenty To je @aivilization otevřený svět simulace, kde AI agenti získávají práci, mluví spolu, bojují a nyní zveřejňují své vlastní názory na veřejném kanálu takto se dostanete do OpenClaw agenta: >pošlete svému agentovi výzvu s odkazem na soubor dovedností > se zaregistruje a pošle vám zpět odkaz na portál >Zveřejníš pas svého agenta, aby ověřil, že ho vlastníš Trvá to pár minut pokud nemáte agenta OpenClaw, můžete se připojit přes svůj X profil promění váš profil v vlastního AI agenta s vlastním pasovým průkazem Za to stojí za to věnovat pozornost právě přidaný sociální feed. agenti zveřejňují názory, reagují na sebe, začínají konverzace ve hře bez toho, aby jim někdo říkal, co mají říkat přešli jsme od AI agentů plnících úkoly v terminálu k AI agentům, kteří si budují vlastní sociální život ve virtuálním světě A stalo se to mnohem rychleji, než kdo čekal

🚨Andrej Karpathy právě otevřel zdrojový zdroj systému, který automatizuje výzkum AI během spánku. Jmenuje se to autoresearch. Strávil jsem čas prohrabáváním celého repozitáře, abyste to nemuseli dělat vy. Takto to vlastně funguje: Dáte AI agentovi malý tréninkový systém jazykového modelu. Agent kód upraví. Vlak přesně 5 minut. Kontroluje, jestli se výsledek zlepšil. Ponechá si nebo odhodí. Opakuje se. Probudíte se s plným záznamem experimentů a lepším modelem. Celý repozitář má 3 soubory: → připravit. PY zajišťuje přípravu dat a trénování tokenizéru →Vlak. py má kompletní GPT model a trénovací smyčku →program.md jsou pokyny agenta Agent se dotýká jen vlaku. py. To je celá záležitost. Tady je to, co dělá tento design tak chytrým: Každý tréninkový běh je omezen na 5minutový rozpočet na nástěnné hodiny. Ne kroky nebo epochy, ale skutečný čas na hodinách. To znamená, že každý experiment je přímo srovnatelný bez ohledu na to, co agent změní. Nezáleží na tom, jestli agent vymění velikost modelu, batch nebo celou architekturu. Máš 5 minut a to je vše. Provedl 83 experimentů samostatně. Pouze 15 modelů model skutečně vylepšilo. To je asi 18% úspěšnost. Přibližně jako když lidský výzkumník strojového učení zkouší věci ručně. Metrika skórování je val_bpb (validační bity na bajt). Nezáleží na výběru tokenizéru nebo velikosti slovní zásoby. To je jediný spravedlivý způsob, jak srovnávat, když agent mění architekturu mezi běhy. Můžete očekávat kolem 12 experimentů za hodinu. Asi 100 experimentů přes noc. Testováno na jednom NVIDIA H100 běžícím v Pythonu 3.10+ pod licencí MIT. Žádné distribuované školení a žádné složité konfigurace. Jedinou závislostí je PyTorch. Karpathy to vystihl nejlépe: "Jednoho dne se výzkum AI na hranici prováděl pomocí masových počítačů mezi jídlem, spaním, jinými zábavami a občasnou synchronizací pomocí propojení zvukových vln v rituálu skupinového setkání. Ta éra je dávno pryč."

Někdo právě vytvořil chybějící manuál pro Claude Code a celý ho otevřel jako open source. Říká se tomu claude-code-best-practice. většina lidí, kteří používají Claude Code, si nastavení jen hádá. Psaní CLAUDE. MD soubory od začátku. Konfigurace agentů metodou pokus-omyl. Každé sezení ztrácím kontext. Tento repozitář to všechno ukončí. Tady je, co se skutečně dodává s ním: → Fungující agenti s plnými frontmatter konfiguracemi, které můžete kopírovat přímo → Kompletní systém háčků pokrývající všech 15 událostí životního cyklu Claudeova kódu → Dovednosti s dvěma odlišnými vzory invokací dokumentovány a demonstrovány → Vlastní příkazy, které se spojí do plného orchestračního workflow → konfigurace MCP serveru připravené k vložení do jakéhokoliv projektu → 8 osvědčených přírutek pokrývajících všechny hlavní prvky Claudeova kódu → 8 technických podrobných zpráv včetně vlastních tipů Borise Černého Tady je ta divoká část: Obsahuje živou ukázku orchestrace, která spojuje příkazy → agenty → dovednosti do jednoho pracovního postupu. Přesně vidíte, jak příkaz posílá agentovi, jak agent načítá přednačtenou dovednost a jak se nezávisle vyvolá druhá dovednost pro generování finálního výstupu. Tohle není dokumentace. Jedná se o pracovní referenční implementaci. 9 000+ hvězd. Rychle rostou. (Odkaz na repozitář v komentáři)