介绍 ralph-research 插件。 我刚刚采用了 ralph-loop 来实现论文。 真是惊人，这个已经运作得如此好。 整个插件是由 Claude Code 一次性完成的，但它已经能够编码 AI 论文概念并在自我改进的循环中进行实验。 太疯狂了！

注意事项： - 实现 ReAct 论文大约花了 40 分钟，没有任何中断。 - 它遇到了一些问题，但在此过程中找到了如何解决它们的方法。这就是 ralph-loop 极其强大的原因。它可以探索解决方案并从错误中学习。我认为研究可能是 ralph 更好的用例，因为研究需要大量的探索。 - 我在其他较新的论文上进行了测试，它表现良好，这让我对它的稳健性有了希望。 - 正如你在视频中看到的，以及任何 LLM 驱动的东西一样，即使你提供指令和 API，它也会在使用较新模型时遇到困难。但这可以通过巧妙的提示轻松解决。 - 这不是一个完美的插件，主要用于内部测试目的。在我发布它之前，还有许多需要改进的地方，以及它所依赖的其他插件。 我会在继续开发这些插件时分享更多细节。请关注 @omarsar0 让我知道你的想法，以及这对你有什么用。