Inspirerad av Karpathys autoforskning lärde jag VibeHQ att utveckla sig själv, inte att utveckla en enskild agent, utan att utveckla hela den multi-agent samarbetsmetoden. 7 helautomatiska körningar utan manuell inblandning: • Tokenanvändning: 7,2 miljoner → 5,7 miljoner (toppminskning med 62 %) • Minskade samordningsrelaterade problem (dubbelarbete etc...) :4 → 0 • PM-tokensslöser: -91 % Loop: benchmark → kooperativ kvantisering och LLM-analys felläge → /optimera-protokoll omskriv koordinationskod → bygga om → upprepa. AI:n ser agenterna misslyckas i lagarbete, analyserar varför den misslyckades och ändrar sedan sin egen källkod för att samordna samarbetslogiken, utan något manuellt arbete under hela processen, vilket helt tillåter AI:n att organisera sitt eget team och tyst förståelse. Efter att ha tittat på relevanta saker optimerar autoresearch automatiskt modellens träning, den tidigare Ralph var en autonom loop av en enda agent, och Gastown körde 20-30 Claude Code samtidigt orkestrering men har inte förmågan att utvecklas, dessa är mycket starka, men senare utvecklar de också förmågorna hos en enda agent. Ingen utvecklar själva lagarbetet, hur man delar upp arbetet, hur man undviker konflikter, hur man delar kontext och hur man avblockerar varandra. Föreställ dig vad den här saken skulle bli om den sprang iväg: • Agenter utvecklar sin egen teamkultur och arbetskemi. • Anpassa sig till varje projekt, och tilldela ett team på 3 eller 7 personer beroende på projektutvecklingsnivå. • Ju fler projekt ni gör tillsammans, desto starkare är ert team. • Agenter kan ta in nya medarbetare medan projektet pågår, och automatiskt omfördela arbete. Allvarligt talat, vad kommer det att utvecklas till i slutändan? Jag vet inte, men det här är den mest spännande delen.