在线科研和软件优化往往需要不断尝试不同方案，修改代码、跑实验，再根据结果决定保留或放弃，整个过程极其复杂且耗时。

瞌睡不够烟来凑

在线科研和软件优化往往需要不断尝试不同方案，修改代码、跑实验，再根据结果决定保留或放弃，整个过程极其复杂且耗时。


awesome-autoresearch（github.com/yibie/awesome-autoresearch）这个项目汇总了众多公开可用的 autoresearch（自动化反复试验优化）案例，覆盖科学研究、软件优化、金融交易、评测红队、安全攻防等多个领域。

该项目重点展示了 autoresearch 在真实工作流中的应用，比如自动修改训练脚本并迭代保留性能更优的模型版本，自动调优 GPU 内核，结合自动化背测改进交易策略，甚至用在自动化红队攻击策略验证。

主要亮点：
- 多领域 autoresearch 应用汇总，帮助快速理解自动实验循环模式；
- 详细案例展示如何通过“修改-验证-保留/舍弃”循环持续提升性能；
- 多个基于 Karpathy 原创 autoresearch 思路的实用开源实现；
- 出色适合科研人员、系统优化工程师、量化研究员等借鉴。

支持 Python、Shell 多种环境，方便上手复现或者定制。

#