开源 hankweave：低数据低成本递归自我优化

2026 年 10 月 14 日，AGI Hunt 报道，作者历时两年打造并开源的 hankweave 框架公开。按其自述，第一年用于构建开源，第二年用于打磨，使其成为最稳定的长期工作流（long-horizon workflow）运行面。该框架的核心论点是：post-Fable 模型在合适的信息与工具加持下，即使处于低数据、低成本条件——不到 1TB 数据、不到 1000 美元——也能实现递归自我优化。报道还指出，它与「Loops of loops」的区别在于把知识固化为专家指令与工具，并配合大规模已学模式库。需要注意的是，同一篇报道中标题称该框架为「一年磨一剑」，正文则称作者历时两年，即先用一年构建开源、再用一年打磨。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。