Nello sviluppo software tradizionale, un git commit significa “questo codice funziona.” Nell’autoresearch di Karpathy, un git commit significa qualcosa di diverso: “questo cambiamento ha reso il modello misurabilmente migliore.”

Ogni commit è una piccola scoperta scientifica. Ogni git reset è un’ipotesi che non ha funzionato. Il git log diventa un diario di ricerca, scritto automaticamente da un agente AI.

Questo è il version control reimmaginato come strumento di ricerca.

La Decisione Binaria

L’uso di git da parte di autoresearch è elegantemente semplice:

L’agente modifica train.py
Il training gira per 5 minuti
La validation loss viene misurata
Se migliorata: git commit --- il cambiamento viene mantenuto
Se non migliorata: git reset --- il cambiamento non è mai avvenuto

Nessuna pull request. Nessuna code review. Nessun conflitto di merge. Solo una decisione binaria: questo cambiamento ha migliorato le cose o no?

Questo crea una storia pulita e lineare dei miglioramenti. Ogni commit nel log rappresenta un passo avanti validato. Non c’è rumore --- nessun commit “WIP”, nessun commit “fix typo”, nessuna catena “revert revert”. Solo una sequenza di cambiamenti che hanno ciascuno reso il modello misurabilmente migliore.

Il Git Log come Diario di Ricerca

Dopo una sessione overnight di autoresearch, il git log legge come un quaderno di ricerca:

Ogni messaggio di commit (scritto dall’agente AI) descrive cosa è stato cambiato e quale effetto ha avuto. Il diff mostra esattamente quale codice è stato modificato. Il miglioramento nella validation loss è registrato.

Questo è radicalmente più verificabile della ricerca ML tradizionale. Invece di note del ricercatore che dicono “provato ad aggiustare il learning rate, sembrava aiutare,” hai un diff esatto, una misurazione esatta e un risultato riproducibile.

Memoria Tra le Sessioni

Git dà all’autoresearch qualcosa di cui gli agenti AI hanno disperatamente bisogno: memoria persistente.

Quando inizi una nuova sessione di autoresearch, l’agente può leggere la storia git per capire cosa è stato provato prima. Può vedere quali direzioni hanno prodotto miglioramenti e quali no. Questo impedisce all’agente di riprovare esperimenti falliti e lo aiuta a costruire su ciò che ha funzionato.

Questo è Markdown e git che lavorano insieme: il file program.md fornisce la direzione strategica (cosa provare), e la storia git fornisce il contesto tattico (cosa è stato provato).

L’Effetto Composto

Poiché ogni commit riuscito diventa il nuovo punto di partenza, i miglioramenti si accumulano. L’agente non inizia da zero ogni notte --- inizia dal miglior risultato raggiunto finora.

Nella corsa di due giorni di Karpathy, si sono accumulati circa 20 miglioramenti. Ognuno era piccolo, ma insieme hanno ridotto il tempo di training di GPT-2 dell’11%. L’agente ha trovato ottimizzazioni nell’attention scaling, nella regolarizzazione e negli iperparametri che si sono costruite l’una sull’altra.

Questo è il potere dell’approccio basato su git: crea naturalmente un cricchetto. Il progresso viene bloccato come commit. I fallimenti vengono scartati. Il codebase si muove solo in avanti.

Cosa Viene Ripristinato

Gli esperimenti falliti --- le operazioni git reset --- sono altrettanto interessanti dei successi. In una corsa overnight tipica, circa il 70-80% degli esperimenti viene ripristinato.

Questi esperimenti ripristinati non sono sprecati. Sono risultati negativi che informano le future decisioni dell’agente. Con la memoria cross-agent e la storia git condivisa, un sistema di autoresearch distribuito può imparare dai fallimenti dell’intero sciame.

Git come Database degli Esperimenti

La ricerca ML tradizionale usa strumenti di tracciamento degli esperimenti --- MLflow, Weights & Biases, Neptune --- per registrare iperparametri, metriche e artefatti.

Autoresearch sostituisce tutto questo con git. La storia dei commit È il log degli esperimenti. I diff SONO i cambiamenti degli iperparametri. I messaggi di commit SONO le descrizioni degli esperimenti.

Questa semplificazione è potente. Non c’è un database di esperimenti separato da mantenere. Nessuna dashboard da configurare. Nessuno schema da definire. Solo git, che ogni sviluppatore conosce già.

Il Pattern Più Ampio

Il pattern git-come-diario-di-ricerca funziona oltre il training ML:

Ottimizzazione del codice: Ogni commit rappresenta un cambiamento che ha reso il codice più veloce
Copertura dei test: Ogni commit rappresenta un cambiamento che ha migliorato la copertura dei test
Correzione di bug: Ogni commit rappresenta una correzione che ha risolto un test fallito
Ottimizzazione dei contenuti: Ogni commit rappresenta un cambiamento che ha migliorato una metrica misurabile

Qualsiasi dominio in cui puoi misurare automaticamente “migliore” e “peggiore” può usare git come tracker degli esperimenti.

Il Ruolo dell’Umano: Leggere il Log

Nell’ingegneria agentica, la routine mattutina dell’umano dopo una sessione overnight di autoresearch è leggere il git log.

Questa è un’abilità diversa dallo scrivere codice. Stai valutando una serie di cambiamenti generati dall’AI, capendo perché ognuno ha funzionato, e decidendo se la direzione generale è corretta. In base a questa revisione, aggiorni il tuo program.md per guidare la prossima sessione.

Il git log è il canale di comunicazione tra umano e agente. L’agente comunica attraverso i commit. L’umano comunica attraverso gli aggiornamenti di program.md. Il Markdown scorre in entrambe le direzioni.

Costruire Conoscenza Compatibile con Git

Scrivere file program.md efficaci --- il tipo che produce storie git pulite e significative --- richiede di capire sia il dominio che gli strumenti. Le migliori istruzioni per gli agenti vengono da persone che hanno studiato profondamente lo spazio del problema.

Salvare materiale di riferimento come Markdown pulito crea una base di conoscenza da cui attingere quando si scrivono istruzioni per gli agenti. Documentazione, paper di ricerca e best practice, tutti nel formato che fluisce naturalmente in un program.md e alla fine in una storia git di scoperte.

Save converte qualsiasi pagina web in Markdown pulito --- costruendo la libreria di conoscenza che alimenta istruzioni efficaci per agenti AI e ricerca autonoma. Prova Save gratis.