---
title: "Jak wdrożyć Autoresearch: Przewodnik po autonomicznym badaczu AI"
type: "summary"
tags: [karpathy, autoresearch, AI, automatyzacja, machine-learning, claude-code, uv]
created: 2026-05-14
updated: 2026-05-14
sources: ["raw/articles/Jak wdrożyć autoresearch_.md"]
confidence: high
---

# Jak wdrożyć Autoresearch

Artykuł (bazujący na wątku z X/Twitter) opisuje proces wdrażania projektu "Autoresearch" autorstwa Andreja Karpathy'ego. System ten pozwala na pełną automatyzację procesu trenowania i optymalizacji modeli językowych (LLM) poprzez delegowanie roli badacza do agenta AI (np. Claude Code).

## Key Points
- **Automatyzacja pętli badawczej**: Agent AI przejmuje nudne zadania (zmiana parametrów, uruchamianie testów, analiza wyników), wykonując ok. 100 eksperymentów w ciągu jednej nocy.
- **Mechanizm działania**: 
  1. Agent czyta meta-instrukcje z `program.md`.
  2. Modyfikuje kod treningowy `train.py`.
  3. Uruchamia 5-minutowy test na GPU.
  4. Mierzy wynik `val_bpb` (Bits Per Byte).
  5. Zachowuje zmiany (git commit), jeśli wynik się poprawił, lub odrzuca je w przypadku porażki.
- **Meta-programowanie**: Rola człowieka przesuwa się z prowadzenia eksperymentów na "programowanie organizacji badawczej" poprzez doskonalenie pliku `program.md`.
- **Narzędzia**: `uv` (zarządzanie Pythonem), `Claude Code` lub `Cursor` (mózg eksperymentu), `git` (zarządzanie stanem).

## Relevant Concepts
- [[concepts/autoresearch]] - Autonomiczne badania nad AI.
- [[concepts/ai-pipelines]] - Rozszerzenie rurociągów o pętlę sprzężenia zwrotnego (feedback loop).
- [[concepts/val-bpb]] - Metryka jakości modelu.
- [[concepts/compounding-knowledge]] - Każdy udany eksperyment to trwały postęp w "kodzie źródłowym" modelu.

## Source Metadata
- **Type**: Przewodnik / Tutorial
- **Author**: @hooeem (na podstawie projektu Andreja Karpathy'ego)
- **Repozytorium**: https://github.com/karpathy/autoresearch
- **Key Themes**: Autonomous Research, LLM Optimization, AI Agents