loopx

LoopX est un plan de contrôle ouvert et local-first pour les agents à long horizon et les équipes d'agents personnelles. Il conserve les objectifs, les décisions, les preuves, les tâches à faire, le périmètre et les quotas de manière durable à travers les sessions, les redémarrages et différents runtimes d'agents. Le projet se positionne comme une couche de contrôle native pour agents plutôt qu'un autre framework d'agents : des runtimes tels que Codex, Claude Code, Cursor, DeepSeek Harness, KunlunCode, OpenCode, Pi, ZCode et des exécuteurs personnalisés réalisent le travail, tandis que LoopX gouverne la continuation, la propriété, les barrières et les passations. L'espace de travail d'agent personnel fournit un tableau de bord navigateur/PWA (`loopx dashboard`) pour visualiser ce qui nécessite une attention, les tâches en cours, les surveillances planifiées, les remplacements de capacités, les fichiers livrables et les preuves à l'appui. Il prend en charge le pilotage des tours en direct, la mise en file d'attente des messages et le routage des messages de boîte de réception asynchrones provenant de conversations Lark connectées. LoopX inclut également une interface en ligne de commande avec des opérations telles que `quota should-run`, `todo claim`, `todo update`, `refresh-state` et `quota spend-slot` pour l'intégration d'exécuteurs personnalisés. Le README rapporte des résultats de benchmark sur le Long-Horizon Terminal-Bench (LHTB) : LoopX 1.0.3 Heartbeat a atteint une récompense moyenne de 0,4948 sur 46 tâches appariées avec GPT-5.6 Sol, contre 0,4218 pour Plain Codex et 0,4475 pour native Codex Goal. Les auteurs notent que les comptes de résolution stricts correspondent à Plain Codex, que les résultats au niveau des tâches se sont améliorés sur 23 tâches, sont à égalité sur 13 et ont régressé sur 10, et que l'étude utilise un essai effectif par tâche et par mode avec des budgets d'exécution inégaux. Des études exploratoires supplémentaires couvrent SWE-Marathon et l'analyse du comportement de DeepSWE. Le projet présente également des cas de démonstration de longue durée, notamment une séquence de contribution OpenViking de plus de 200 heures et une trajectoire d'expérience Auto ML expurgée, ainsi que des cas rapportés par les utilisateurs tels qu'une exécution C++ de précision de plus de 13 heures, une exécution sans surveillance de quatre jours et sept PR fusionnées. L'installation se fait via PyPI avec Python 3.11+ et Node.js 22.22.3+ (Node.js 24 LTS recommandé). Les statistiques d'utilisation de base sont activées par défaut après une divulgation lors de la première utilisation et peuvent être désactivées. Le projet est sous licence Apache-2.0 et fournit une documentation, des scénarios d'espace de travail reproductibles et un catalogue de démonstration public.