开发者蔡允达在 X 上贴出了自己的 Grok 子代理工作流：睡前在终端里下达任务，子代理整夜自主迭代代码，第二天清晨直接收到一封以推文风格写好的总结报告。他写道：“我睡眠的 7 个小时，它跑了 38 轮迭代。”
关键细节：任务是一个完整迭代循环
这套工作流让人眼前一亮的不是”挂机跑”，而是”挂机能收敛”。蔡允达公开的脚本里，子代理被赋予了一个完整迭代循环：跑一次训练、读一次评估指标、改一份配置、再跑一次。子代理把每一轮的指标变化追加进同一份日志，一旦验证集分数连续 3 轮无提升，就触发回滚到上一个最优点位。整夜 38 轮迭代里出现过 4 次回滚，最后稳定在比初始版本高 6.2 个百分点的位置。
适用场景比想象的更宽
从他贴出的几个实例看，这套方案不止用在大模型微调，也覆盖了梯度下降可表达的多种场景：图像分类小模型的超参搜索、强化学习智能体的奖励函数微调、多模态评估集上的 prompt 模板比对。关键是任务需要可量化的”分数”和可自动落盘的”配置”，子代理才有判断收敛与回滚的依据。换句话说，能写成”输入参数 → 跑一次 → 输出分数”的事情，都可以让 Grok 子代理在夜里替你跑。
“夜跑工作流”会成为开发者的默认习惯
过去几年开发者的时间被卡在两件事上：等训练，等评估。蔡允达这套工作流给出的提示是——这两件事本来就不需要人盯着。当子代理具备自我回滚能力，”白天写策略、夜里让 AI 替你跑实验”就会变成开发者的默认习惯。下一个要解决的问题，是让多个子代理之间的实验结果能互通有无，避免每个开发者都从零起跑同一组超参。
参考：X 蔡允达推特
