# AutoResearch от Карпати: самоулучшающаяся ИИ автоматизация ## Метаданные - **Канал:** Владимир Карпухин - **YouTube:** https://www.youtube.com/watch?v=ksr5n_EmT_g - **Дата:** 11.04.2026 - **Длительность:** 20:40 - **Просмотры:** 19,715 ## Описание Материалы к ролику в телеграм канале — https://t.me/vladimir_kkkkk/310 -------------------------------- ПОЛНЫЙ ГАЙД на Claude Code: ПОЛНЫЙ ГАЙД 2026 (2+ часовой курс) - https://www.youtube.com/watch?v=kFpX1FftH70 ПОЛНЫЙ ГАЙД на n8n. ИИ агенты и автоматизации (5+ часовой курс) - https://www.youtube.com/watch?v=tUufFo-JTZQ&t=8s -------------------------------- n8n - https://n8n.partnerlinks.io/9f51nckey33z beget - https://beget.com/p2340235/cloud/marketplace/n8n Речь в текст (aquavoice) - https://aquavoice.com/share?code=UE-TQN1 zarub - https://t.me/zarub_robot?start=ref_GWMs7g wanttopay - https://t.me/WantToPayBot?start=w17851188--DCVLH timeweb - https://timeweb.cloud/?i=140981 В этом видео я, Владимир Карпухин, разбираю AutoResearch от Андрея Карпати — open source репозиторий для автоматической оптимизации чего угодно с помощью AI-агентов. Показываю как работает рекурсивное самоулучшение: AI сам ставит гипотезы, проводит эксперименты и улучшает результат без участия человека. Объясняю три обязательных условия для работы системы: быстрый фидбек-луп, чёткая числовая метрика и API-доступ для изменений. Разбираю структуру репозитория: три ключевых файла — program.md (правила для агента), подопытный файл (то что агент меняет) и скрипт-судья (измеряет метрику). На практике демонстрирую оптимизацию скорости загрузки лендинга — скор Lighthouse вырос с 61 до 100 за 13 автономных экспериментов. Разбираю где AutoResearch применим: холодные рассылки, рекламные креативы, скиллы Claude Code — и где не работает: обложки YouTube, задачи без числовой метрики. Сравниваю AutoResearch и Skills 2.0: первый полностью автономен и оптимизирует что угодно, второй заточен под скиллы и требует ручного запуска. Также показываю важный нюанс — AI может удалить контент ради метрики, если не прописать ограничения в program.md. Классическая проблема скрепок в действии. 00:00 - Что такое AutoResearch 02:06 - Сингулярность и рекурсивное самоулучшение AI 02:49 - Как применить AutoResearch на практике 07:05 - Где AutoResearch не работает 08:52 - Структура репозитория Карпати 10:49 - Практика: оптимизация скорости загрузки лендинга 15:53 - AutoResearch для скиллов Claude Code 17:46 - AutoResearch vs Skills 2.0 19:08 - Нюанс: AI удалил весь контент сайта Meta Platforms Inc. (Facebook, Instagram) признана экстремистской организацией, деятельность запрещена на территории РФ ## Содержание ### [0:00](https://www.youtube.com/watch?v=ksr5n_EmT_g) Что такое AutoResearch Autoresearch от Андрея Карпати это новый левел ИИ автоматизации это буквально улучшение чего угодно с помощью AI агентов и это не выдумка и не очередной бесполезный AI-инструмент это реально ценный репозиторий что такое Autoresearch это автоматическая оптимизация чего угодно с помощью AI на самом деле эту штуку сделал как я уже сказал Андрей Карпати выложил конкретный репозиторий на GitHub еще раз это автоматическое улучшение почти чего угодно в цифровой среде я это сейчас не выдумываю на самом деле Андрей Карпати сделал этот репозиторий для того чтобы улучшать LLM то есть он сделал репозиторий сделал систему где AI агент тренирует LLM то есть понимаете LLM тренирует LLM и LLM реально становится лучше кто такой Андрей Карпати чтобы вы понимали он сейчас активно популяризирует AI рассказывает об этом ходит на подкаста он один из основателей OpenAI он отвечал за AI в компании Tesla и еще много что делал короче очень крутой чувак один из самых медийных персонажей сейчас в мире AI а вот у него вот такой вот подкастик вышел где он рассказал об этой идее собственно говоря он с помощью LLM тренирует и LLM становится лучше то есть он говорит зачем он тренирует GPT-2 он говорит то что многие не понимают зачем он тренирует GPT-2 модели если вы не знаете GPT-2 модели по нынешним меркам это очень слабые модели но для него это песочница для него это небольшой полигон для экспериментов с обучением LLM зачем он это делает потому что его интересует рекурсивное самоулучшение могут ли LLM улучшать LLM то есть сейчас когда создают новый LLM в этом процессе в процессе обучения LLM участвуют люди именно поэтому он с этим экспериментирует и он сказал то что результат его удивил то что он типа этим давно занимается он один из основателей OpenAI у него двадцатилетний опыт тренировал модели тысячи раз думал что хорошо уже оптимизировал модель но запустил Autoresearch на ночь и тот нашел вещи которые Карпати пропустил к чему я клоню ребята я вот специально выписал ### [2:06](https://www.youtube.com/watch?v=ksr5n_EmT_g&t=126s) Сингулярность и рекурсивное самоулучшение AI что такое сингулярность в мире AI это момент когда AI начнет стремительно сам себя улучшать и развитие его станет трудно контролировать и проблема в том то что возможно мы уже близки к этому состоянию потому что буквально сейчас многие компании вот OpenAI и Anthropic сейчас именно этим и занимаются и в том числе Андрей Карпати с этим тоже экспериментирует но смотрите как интересно сначала был просто LLM то есть чат бот потом появился AI-агент который уже что то умеет делать а теперь мы близки к самоулучшающемуся AI-агенту это понятно это круто как это касается нас да как то нам применить как что из этого можно вынести как это применить на практике сейчас я об этом ### [2:49](https://www.youtube.com/watch?v=ksr5n_EmT_g&t=169s) Как применить AutoResearch на практике скажу но для начала я хочу вам сообщить о том что очень много что выходит сейчас в мире AI это шум то есть это интересно но это не применимо интересно об этом разговаривать но в моих действиях большинство новинок мало что меняют честно говоря в моей повседневной работе это понятно где и как мы можем это использовать самый простой пример на практике который буду сегодня показывать это скорость загрузки сайта как это работает у нас есть код сайта является этим кодом файл index. html и мы сделаем систему с помощью репозитория Карпати на основе его репозитория у него эта репозитория создана чтобы LM сама улучшала LLM GPT-2 а мы этот репозиторий будем использовать чтобы оптимизировать скорость загрузки сайта ну скорость загрузки сайта становится быстрее если код сайта более легкий и более грамотно написан то есть он может плохо быть написан и быть тяжелым в целом это может быть многого бесполезного кода LLM будет ставить гипотезы проводить операцию за итерацией и делать таким образом чтобы сайт загружался все быстрее и мы в этом никак участвовать не будем это все будет происходить автоматически мы просто зададим начальные правила и будем смотреть как это работает и применимо это не только для сайтов это применимо как я говорю почти для чего что угодно например вы делаете холодные рассылки на почту то есть вы занимаетесь лидогенерации таким образом то есть вы отправляете письма людям на почту и там с определенным текстом письма компании скрипт рассылки с определенным текстом и смотрите на процент отклика кто вам отвечает кто соглашается назначить с вами звонок здесь это отлично применимо то есть у нас есть определенная схема письма определенный текст письма которым ну по сути один и тот же шаблон отправляется всем AI здесь отслеживают процент отклика то есть он ставит гипотезу как то меняя текст письма если эта гипотеза становится удачной то есть процент отклика увеличивается то он применяет это потом он ставит еще одну гипотезу и так происходит сколько вы хотите времени то есть огромное количество раз это может происходить вплоть до бесконечности если она будет все время работать то есть это самоулучшающаяся штука лендинге как я говорю скорой загрузки сайта например рекламные креативы гугл эдс Facebook Ads ну я в этом честно говоря не особо шарю но там есть показатели те же CTR процент отклика одна цифра да допустим количество человек которые заполнили заявку на сайте перешли там через фейсбук или Google Ads это какая то одна конкретная метрика которую мы отслеживаем исходя из этой метрики мы можем ставить гипотезы и улучшать здесь получается креатив и рекламный текст ютуб заголовки можно тестировать сетях и мы можем skills Claude Code тоже улучшать если сделаем конкретную метрику есть конечно же skill с два ноль но там требуется ручное вмешательство а тут мы можем задать метрики загрузить это куда нибудь на сервер например и это будет работать автоматически и само улучшаться автоматически все что мы сделаем это зададим начальные правила ну там пару раз проконтролируем что она работает адекватно так как нам надо и все и она будет сам улучшаться вообще эту систему можно разместить и локально то есть сейчас я на практике буду показывать локальный пример где она локально на компьютере размещено но если вы хотите это полностью автоматизировать вы загружаете эту систему на сервер подключаете через API ключ тот же Claude опус четыре шесть ну то есть денег это будет стоить определенных естественно и она будет там крутиться и работать ставить гипотезы проверять гипотезы там поощрять гипотезы если она удачная и продолжать этот цикл система сама ставит гипотезы она видит показатель то что сейчас сайт загружается за определенное количество времени есть конкретный числовой показатель который нужно уменьшать потом она ставит гипотезу меняет определенным образом код который является сайтом и проверяет стало ли скорость загрузки сайта быстрее если до сохраняет эту версию и ставит новую гипотезу это можно сделать по cron-триггеру то есть каждый час каждые API минут система запускается и постоянно автоматически самоулучшается как работает вообще цикл то есть человек мы ставим изначальное условие что мы измеряем и какой у нас стартовый вариант AI-агент генерирует новый вариант на основе знаний оба варианта тестируются измеряется метрика победитель остается проигравший отбрасывается и цикл повторяется то есть ### [7:05](https://www.youtube.com/watch?v=ksr5n_EmT_g&t=425s) Где AutoResearch не работает у так вот сразу отмечу где это не работает где нет четкой числовой метрики то есть где мы не можем нормально измерить что то числом например обложки для ютуба к сожалению пока я не придумал как измерить числом ну на самом деле можно измерить числом процент отклика но допустим меня визуально не устраивает как выглядят обложки которые генерируют там на банана про но тут нету число метрики то есть меня не устраивает это не числовая метрика то здесь это не особо применимо потому что как здесь попасть вкус никак то есть нету число метрики если медленный фидбэк-луп то есть цикл равен там неделя то это слишком мало за это время не получится поставить много экспериментов то есть если у вас весь цикл от постановки гипотезы до получения результата неделя то это очень долго и если нет способа автоматически менять параметр как это работает ну что это значит в случае оптимизации скорости загрузка лендинга менять параметры значит оптимизировать код то есть буквально менять код в случае рекламных креативов или рекламного текста там Facebook Ads ну господи... это Google Ads а здесь есть способ это делать у них есть API да вы можете через API подключаться менять текст у рекламной интеграции как это называется и менять креатив три обязательных условия для того чтобы это работало это быстрый фидбэк-луп чем быстрее получаем фидбэк тем короче цикл тем больше траты тем быстрее улучшается показатель в случае загрузки сайта ну как я говорю для демонстрации этого это идеальный пример потому что там очень быстрые итерации то есть AI-агент меняет код сайта это и есть по сути скорости итерации насколько быстро он его может изменить а он быстро это делает то есть четкое числова метрика вот в случае скорости загрузка сайта ну вот понятно скорость загрузки сайта мы ее отслеживаем и API доступ для изменений чтобы агент мог менять параметры вносить туда изменения ну в нашем случае API доступ не нужен потому что мы напрямую редактируем код ### [8:52](https://www.youtube.com/watch?v=ksr5n_EmT_g&t=532s) Структура репозитория Карпати у Андрея Карпати есть вот такой вот репозиторий я оставлю на него ссылочку естественно в Telegram можете зайти посмотреть ну вот он это весь репозиторий то есть здесь не такое большое количество файлов здесь по сути есть несколько важных файлов это train. py это prep. py и PROGRAM. md это вот основа остальное это ну вот. gitignore например пайтон вершенс то есть это не такие важные файлы у нас схема будет такая же просто мы оптимизируем ее под лендинг я ее тоже покажу на практике в файле PROGRAM. md Андрей Карпати пишет инструкции для ее агента то есть он задает рамки в которых работает агент то есть что нужно менять что нельзя трогать ни в коем случае а здесь мы задаем какую метрику отслеживать агент читает это один раз в начале и дальше работает автономно то есть мы тут задаем изначальные правила мы вот больше всего влияем на этот файл потом второй важный пункт файл который агент модифицирует ну здесь в нашем случае уже написан index. html в случае Андрея Карпати это train. py то есть это изменение самой языковой модели в его случае то есть это единственное что агент может имеет право менять но здесь может быть несколько файлов это зависит от задачи но суть одна это то что агент трогает и меняет в каждом эксперименте другой он не трогает и есть третий показатель это скрипт судья это скрипт который оценивает результаты изменений то есть это штука которая измеряет метрики стало лучше или стало хуже агент запускает его после каждой модификации но не имеет права редактировать судья замеряет метрику и выдает число на основе которого агент понимает решение оставить изменения или откатить то есть как цикл происходит агент меняет подопытный файл делает коммит ну это то что касается Git если вы не знаете что такое коммит что такое Git у меня есть ролик как ускорить работу Claude Code в четыре раза посмотрите отличный ролик там есть информация про Git вся необходимая то есть еще раз агент меняет подопытный файл коммитит судья оценивает если скор вырос то есть показать ну вот скорость загрузки сайта если стала быстрее меньше то мы это оставляем если он там упал то мы откатываем и так бесконечно ### [10:49](https://www.youtube.com/watch?v=ksr5n_EmT_g&t=649s) Практика: оптимизация скорости загрузки лендинга пока мы не остановим и наконец то переходим к практике смотрите так как мы на практике говорим про скорость загрузки сайта я попросил Claude накидать мне лендинг --- *Источник: https://ekstraktznaniy.ru/video/48966*