autoresearch 模式是什么

简单说，autoresearch 是一种让 AI Agent 自主迭代优化的工作模式。核心思想是把任务目标、约束条件、优化策略全部写进一个 program.md 文件，然后让 Agent 按照这个"程序"自主执行、评估、再优化，循环往复直到结果满意为止。

关键点在于：这不是一次性的 prompt，而是一个可以持续运行的自治循环。Agent 会自己判断当前方案的不足，自己决定下一步怎么改进。

从技术调研到旅行规划

原作者把这个模式直接迁移到了旅行规划场景，做了一个叫 trip-optimizer 的开源项目。思路其实很直觉——旅行规划本质上就是一个多约束优化问题：时间有限、预算有限、景点之间有距离、每个人偏好不同。这跟技术调研里"在有限时间内找到最优方案"的结构是一样的。

说白了，autoresearch 模式的本质不是"调研"，而是"自主迭代优化"。只要你的任务可以被拆解成"生成方案→评估方案→找到改进方向→生成新方案"这个循环，它就能用。

为什么这个思路值得关注

我觉得这里面最有意思的不是旅行规划本身，而是它验证了一个更大的想法：一个写得好的 program.md，本质上就是一个可复用的 Agent 操作系统。你不需要写代码、不需要搭复杂的工作流，一个 Markdown 文件就能定义一个完整的自治 Agent。

对独立开发者来说，这意味着你可以快速把这个模式套用到各种场景：

  • 内容策略优化（不断迭代标题、结构、关键词）
  • 产品定价方案探索（多轮模拟不同价格组合）
  • 竞品分析（自动收集、对比、生成洞察）
  • 周报/月报自动生成（收集数据→分析→优化表达）

每个场景只需要写一个对应的 program.md，定义好目标、约束和评估标准就行。

动手试试

如果想上手体验，可以去 GitHub 搜 trip-optimizer 看看项目结构，重点看 program.md 是怎么写的。不用管旅行这个具体场景，关注的是它怎么定义优化目标、怎么设计迭代逻辑、怎么让 Agent 知道"什么时候算够好了"。搞明白这个，你就能把同样的框架搬到自己的业务场景里。说实话我也不确定这是不是最优雅的 Agent 设计模式，但胜在简单直接，一个 Markdown 文件就能跑起来，试错成本几乎为零。