Codex Autoresearch
在代码库内运行可度量的优化循环：给出目标、基准和边界，它自动做实验、保留证据并留下可审查的补丁。
- Star 数
- ★ 835
- 最近更新
- 20 天前
- License
- Apache-2.0
- 主语言
- TypeScript
- FA 评分
- 91/100 · 表现优秀
30 秒速览
- 运行形态
- 可在哪里用
- 平台专用Codex
- 费用
- 软件免费，模型调用费用自付
- 上手难度
- 低 · 几分钟可跑通
- 开始前需要
- 典型场景
- 后端工程师想缩短慢测试套件的运行时间，且已有可重复的基准脚本与测试
- 不适合
- 需要脱离 Codex 生态、在其他 agent 运行时中使用的团队
- 一次性改动或凭品味判断、无法重复测量的任务
- 基准测试过慢或噪声过大、每次测量信息量很低的场景
- 源码审查
- 91/100 · 表现优秀
这个 Agent 能做什么，适合哪些场景？
Codex Autoresearch 是一个 Codex 插件，用于在本地代码库中针对可重复基准运行受约束的优化循环。使用者提供工作负载、正确性检查、允许修改的范围和时间预算，插件先记录基线，再逐个评估候选改动，最终交付一个附证据的可审查补丁。它适用于测试耗时、构建速度、包体积、模型损失、内存占用、查询延迟等一切能由脚本打印的指标。会话记录存储在目标项目中：Git 仓库内临时状态放在 .git/autoresearch/，非 Git 环境回退到本地工作区文件。可选的只读仪表盘展示改进、通过、阻塞与下一步操作，命令仍通过 Codex 与 CLI 执行。3.0 版基于工程验证发布，未做过模型对比实验，也未宣称优于普通 Codex 或 2.9.0 版本。
安装后通过 /goal 命令给出契约：目标、基准命令、指标、检查命令、范围与预算，Codex 先提交契约供审批。接受契约后流程为 setup -> accept contract -> state -> next -> log -> state -> finalize-preview：setup 准备含目标、指标语义、评估器、检查、范围、噪声、保留与停止规则及预算的实验契约；state 将当前文件与 Git 状态编译为一个决策；next 只运行契约允许的评估器和检查；log 记录结果属于基线、保留、丢弃或失败；finalize-preview 输出只读的证据回执。基准须打印形如 METRIC seconds=12.34 的行，主指标决定方向，检查保护正确性，次要指标捕捉已知权衡。保留结果可在配置路径上创建受限提交；单纯测量不会暂存、提交或回退任何内容。
- 后端工程师想缩短慢测试套件的运行时间，且已有可重复的基准脚本与测试
- 前端开发者希望降低构建时间或包体积，同时保持功能正确
- ML 研究者在固定数据集上尝试多个小改动以降低模型损失
- 性能工程师优化查询延迟或内存占用，需要防止运行时降低带来内存暴涨等权衡
- 团队只有模糊的改进目标（如索引器更快更省内存），请插件先帮助设计可信基准再执行
- 维护者希望在受保护的编辑边界内做多次小实验，而不是一次大规模重写
如何安装或部署这个 Agent？
在 Codex 中打开插件选择器：输入 /plugins，选择 TheGreenCedar -> codex-autoresearch -> Install plugin，然后在新仓库中启动 Codex 任务。若你的 Codex 构建支持终端市场管理，可先注册源市场：codex plugin marketplace add TheGreenCedar/AgentPluginMarketplace --ref main。本仓库是插件源码，市场位于 TheGreenCedar/AgentPluginMarketplace。源码开发需要 Node.js 24 或更新版本、npm 和 Git。
如何使用这个 Agent？
在目标仓库中用 /goal @Codex Autoresearch 给出契约，例如：run a measured loop to reduce parser runtime；Benchmark: node bench/parser.mjs；Metric: seconds (s), lower is better；Checks: node --test tests/parser.test.mjs；Scope: src/parser.mjs；Protect bench/parser.mjs 和 tests/parser.test.mjs；测量两个基线并在保留前重复每个候选；5 个 packet 或 30 分钟后停止。Codex 会先呈现完整契约供审批，接受后 Autoresearch 先测量基线再评估候选改动。若无现成基准，可要求 Codex 以直接审查方式先提出可信基准方案，批准完整契约前不会创建会话。适合架构审查、文档等场景的任务会直接进入普通 Codex 直通模式，不创建会话文件。
这个 Agent 有哪些优点和局限？
- 每个保留的改动都附带可审查的证据回执，基线、保留、丢弃与失败都有记录
- 契约机制强制明确目标、指标语义、范围、噪声、保留与停止规则和预算后再执行
- 次要指标可捕捉已知权衡，如运行时降低但内存暴涨
- 状态与仪表盘共用同一快照，读取期间源变更会自动重试，状态一致性好
- 受 karpathy/autoresearch 和 pi-autoresearch 启发，专为本地仓库与可审查的 Git 工作流设计
- 强依赖 Codex 生态：通过 /plugins 安装、由 Codex 会话运行，无法直接用于其他 Agent 运行时
- 只适合可重复测量、基准相对稳定、能命名允许改动范围的任务；一次性修改或主观性任务不适用
- 批准的基准命令以本地权限运行，可能读取文件、启动进程、使用凭据并联系外部付费服务
- 3.0 版基于工程验证发布，没有模型对比数据支撑其优于普通 Codex 的说法
- 若基准太慢或噪声太大，额外测量几乎不带来信息，循环收益有限
这个 Agent 与同类方案有什么区别？
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Codex Autoresearch 当前 | 91 · 表现优秀 | Agent 插件 / 技能免费 + 模型费 | ★ 835 | 20 天前 | TypeScript | Codex |
| FableCodex | 82 · 表现良好 | Agent 插件 / 技能免费 + 模型费 | ★ 437 | 2 个月前 | Python | Codex |
| CORAL 多智能体自进化基础设施 | 60 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 1.1k | 1 个月前 | Python | Codex · Claude Code |
| Compound Engineering | 57 · 缺口较多 | Agent 插件 / 技能 | ★ 26k | 今天 | TypeScript | Codex · Claude Code |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示最小权限设计（数据包默认最小环境、需 --packet-env-mode inherit 才继承完整环境、CI 按 SHA 锁定 action 且权限最小化、测试运行器拒绝未列出的命令）；合同须显式接受后才能运行，finalize 先做只读预览，分支仅在批准后创建；隐私文档明确本地会话记录与 Codex 外部数据路径；默认 Git 只读，keep 才提交且限于配置路径，回滚目录交换有完整故障注入测试证明各阶段可恢复；外部影响（可访问凭据、外联、花费金钱）有明示。扣分点：敏感数据处理仅是尽力而为的脱敏（作者自认非安全边界），CI 使用 --no-audit 且未展示依赖漏洞扫描或缓解策略，故敏感数据与依赖安全各记 2。
README、CI、测试三者高度一致：attestation 验证参数、checksum 清单解析、运行时目录交换的故障恢复路径均有针对性行为测试；依赖经 lockfile 固定、action 按 SHA 固定、hydration 在 gh 不可用时明确失败关闭；测试大量断言可操作错误信息（如陈旧回滚目录、npm 解析失败的具体指引）。未见明显扣分点。
适用/不适用场景界定清晰（可重复测量的有界实验 vs 一次性修改、品味类工作）；3.0 的直接模式与测量模式的分流规则明确；触发以 fit -> contract 流程控制精确；扣分点：环境要求较高（Node 24+、Codex 宿主、仪表盘测试需 Chrome），文档虽写明但未提供降级或最小环境路径，故 environment_fit 记 2。
文档结构完整（start/walkthrough/operate/finish/troubleshooting/architecture 索引），安装、更新、卸载含市场与工作区差异的告诫；命名一致；Apache-2.0 全文与版权声明齐备；CHANGELOG 与自动发布流程强制 package./package-lock/plugin. 版本同步并拒绝非严格递增版本；限制声明诚实（合成截图标注、无对比实验声明）。扣分点：无独立 FAQ（由 troubleshooting 部分替代），维护责任指向单人（Albert Najjar，邮箱披露但发布者未经验证），故 examples_and_faq 与 maintenance_responsibility 记 2。
产出可用性强：证据回执、可审查补丁、只读仪表盘、审计追踪均有文档与测试支撑。扣分点：README 明确承认 3.0 未经模型对比实验，不声称优于普通 Codex 或 2.9.0，故相对增益未经证实（marginal_value 记 2）；成本收益仅在合同内通过预算/时间上限控制，且外联服务可能产生费用，无成本实测数据（cost_benefit 记 2）。
声明可溯源：明确区分'工程验证'与未做的对比实验；提案要求引用来源文件；仓库自身验证体系（attestation 固定到签名工作流、checksum 校验、release provenance 策略测试）非常完整；README、CI 工作流、测试代码相互印证；合成数据被明确标注，事实与推断分离良好。未发现扣分点。
- 发布者未经企业注册表验证，身份为未知；使用前自行核对 TheGreenCedar/codex-autoresearch 与签名 attestation 的对应关系。
- 脱敏为尽力而为，非安全边界：不要在基准脚本、输出或实验记录中暴露密钥；仪表盘导出与账本可能含路径与命令摘录。
- 已批准的命令以本地权限运行，可访问凭据、联系外部服务并产生费用；敏感仓库或高成本工作负载前先阅读 trust/privacy/terms 文档。
- 3.0 无对比实验数据，相对普通 Codex 的收益未经证实，评估其边际价值需自行做小规模试验。
- 移除市场注册不等于卸载工作区插件，需用插件 UI 完成卸载。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
Codex Autoresearch 3.0 adds investigations for work where the goal is clear and the method may change. Accept the objective, allowed changes, evidence requirements, and budget once. Preparation, failed attempts, repairs, confirmation, and delivery all use that same allowance. - Define success with numeric targets or explicit conditions and counterexamples. - Resume recorded actions without starting them twice. A packaged worker keeps process actions running when the observing CLI closes. …在 GitHub 查看 ↗ -
发布说明摘录
Measured loops now have a clearer first run, stricter repeat evidence, and a simpler handoff. Existing sessions keep working with their current note paths; new sessions put notes and ideas in .autoresearch/. - The documented first run now starts a fresh measured session. Missing benchmark, checks, and scope can be proposed from bounded read-only discovery before acceptance. - Experiment notes no longer count as product-grade or broad-improvement proof. Goal wording no longer invents retrieval-specific requirements. …在 GitHub 查看 ↗ -
发布说明摘录
2.8.0 - 2026-08-29 The loop now knows when not to loop Autoresearch 2.8.0 makes a hard distinction between work that needs a measured experiment and work that just needs to be done. One-shot architecture, documentation, UX, product, and research tasks stay direct, with a compact evidence trail instead of an empty Autoresearch session. When a loop is the right tool, 2.8.0 is much stricter about what counts. The benchmark, checks, metric, scope, keep rules, stop rules, and budget move together as one accepted contract. A plausible number cannot sneak through as a win. …在 GitHub 查看 ↗