按兴趣浏览，循来源深入。
Jun Gao 等人在 arXiv 论文 arXiv:2610.35616 中提出分层技能演化方法 HSE，从编码轨迹中逐层提炼跨仓库可迁移的程序性技能，整个过程保持底层编码模型冻结。该方法在 SWE-bench Verified 和 DeepSWE 上评测，仅用 SWE-Gym 演化出的 10 个技能，在 GLM-5.2（Pi 和 Claude Code harness）以及 GPT-5.5、Opus 4.8（Pi）的所有评测设置下均提升编码表现，并可通过学到的 evaluator 无需验证反馈进一步从目标基准轨迹演化技能获得额外增益。
推荐理由：论文提出从成功与失败轨迹中分层提炼可迁移技能的方法，并给出跨基准、跨模型、跨 harness 的验证结果。
pengzy-cosmo 发布 AgenticEvolve，一个用持久 LLM 会话驱动的进化程序搜索工具，论文为 arXiv:2610.31326。每个岛由一个贯穿整个搜索的 LLM 会话运行，commit 之间智能体可自行运行分析脚本，只有提交的程序被正式评估，存档按 MAP-Elites 网格组织并支持岛间精英迁移；附带 circle_packing、online_bin_packing 等示例任务，MIT 许可，需要 Python 3.12+ 和 uv。
推荐理由：作者开源了带持久 LLM 会话的进化程序搜索工具，任务定义、评估器和沙箱设置都可直接复现。
Speedrun AI Labs 在 GitHub 开源 Agent 技能包 reverse-engineer-anything-self-learning-loop（MIT 许可），用自学习循环把被授权重建的产品做到与原品完全对等。方法先写明 100% 的定义并生成逐项可测试的对等清单，再按干净室纪律构建、与原品对照评审，迭代直到所有 must-have 连续两轮通过；每轮将清单模式和修复配方经批准后沉淀回技能文件。支持 Claude Code、OpenClaw 等技能目录安装，明确不用于克隆第三方产品或绕过访问控制。
推荐理由：作者把逆向重建的完成标准写成可打分的对等清单，附两轮复核和回归采样，方法本身可迁移到其他 Agent 交付流程。
dogaozden/degree-diameter 项目用以 Claude Haiku 5.5 为变异算子的进化程序搜索，为二部 degree–diameter 问题刷新 8 项纪录（如 (7,4) 从 346 提升到 359，(11,4) 从 1734 到 1774），并提出覆盖三个纪录的 +2 定理。所有纪录图与定理均在 Lean 4 中通过内核校验，搜索最多同时运行 48 个云端 island（384 个 Haiku 智能体并发写作，共约 32500 个程序），纪录与证明代码在 GitHub 开放，尚未提交 Combinatorics Wiki 表格。
推荐理由：原文完整给出八项记录、定理内容、Lean 证明与可复现脚本，读者可以自行验证并用同样方法跑自己的搜索。
tatra-labs 在 GitHub 开源 kickmix-arena，一个无依赖的开源竞技场，供 AI 智能体发现更省代价的可逆量子电路，按 Toffoli 数 × 比特数（T×Q）评分。它补上了 Gu、Kemeny、Yelin 和 Lukin（Harvard、Anthropic、QuEra，2026 年 10 月）论文中未发布的评估器，提供 add32、cmadd8、modinv251 等任务的起始电路与已验证基线，任务文件夹可直接接入 lethe 等智能体框架；验证采用 4096 条位切片轨迹的精确模拟，候选电路在独立进程中重建并由评分器重放，地址为 https://github.com/tatra-labs/kickmix-arena。
推荐理由：开源了论文缺失的验证与评分环节，依赖免费、可本地复现，适合想自跑智能体搜电路循环的读者。
hiloopai/piloop 在 GitHub 发布，可对任意 git 仓库运行 autoresearch：多个 coding agent 在各自 git worktree 里并行尝试想法，piloop 对每个 commit 运行用户指定的 evaluate 命令评分，只有超过当前最优且具统计置信度的改动才保留。enwik8 示例中，Claude Code agent 经 10 轮 implementer 运行、用时 1.6 小时，将 Wikipedia 前 10 MB 压缩从 zlib 的 3,688,770 字节降至 2,361,893 字节（-36%）。
推荐理由：piloop 把多个 coding agent 的并行尝试变成按 commit 评分、只保留胜者的自动研究流程，并给出 enwik8 实测压缩数据可作参考。
论文提出 HarnessPro，一种无标注方法，通过 LLM 生成的测试评估候选框架，并用 Pareto 优化同时提升任务性能、降低执行成本。在 Terminal-Bench 2、SWE-Bench Pro 和 ProgramBench 上，用 GPT-5.5 加 Codex 时 heavy 模式相对 RHO 平均 pass-rate 提升 2.0 个百分点、单任务成本降低 26.1%，用 GLM-5.2 加 Claude Code 结果一致，并输出 lite、medium、heavy 三档框架供不同部署预算选用。
推荐理由：论文用无标注测试加 Pareto 选择同时优化 Agent 框架的性能与成本，给出与 RHO 的对照数据，方法可迁移到类似的框架自改进场景。
作者发布 self-improving-agents 开源仓库，将自我改进代码智能体分为四级，从 AutoResearch 循环、结构化反馈循环、自重写源码的 HyperAgent 循环到对抗共演化的 Arena 循环。实验显示固定基准会带来虚假信心，Level 1-3 在 email validation 原测试上得 90-100%，面对 Arena 对抗套件跌至 62-66%；Feedback Loop 在蛇游戏 31.1 分优于 Arena 的 29.2，且成本低 20 倍（每任务 $0.03 vs $0.63）；Arena Loop 在客服任务的 28 个对抗问题上得 78.16 分并逐轮提升。
推荐理由：作者用跨四级实验数据比较了四种自我改进 Agent 循环，指出固定基准会造成虚假信心，结论可供选型参考。
quqxui 发布 RSI-Flow，一个外部运行时，用任务经验来构建和评估对 Agent 提示词、工作流等可编辑产物的改进。它按固定评测协议对比原版与候选版本，采纳通过的修改并支持回滚，改进流程分六个阶段，任务执行、提案生成和评测使用独立组件，已集成 Pi、DeepSeek Harness、Harbor / Terminus-2、Codex，采用 MIT 许可证。
推荐理由：README 说明了基于任务经验的六阶段改进流程与评测对比、回滚机制，读者可以据此评估是否复用到自己的 Agent 工作流。
ajaved1205 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四级：AutoResearch 循环、结构化反馈循环、重写自身源码的 HyperAgent 循环，以及代码 Agent 与测试 Agent 对抗共进化的 Arena 循环。实验显示固定基准会制造虚假信心，Level 1-3 在 email validation 原测试上得 90-100%，换到 Arena 对抗测试套件后降到 62-66%，而 Arena Loop 保持 70%；Feedback Loop 性价比最佳，snake 得 31.1 分且每任务成本 $0.03 仅为 Arena（$0.63）的 1/20。
推荐理由：原文给出四个等级的完整实验数据，固定基准与对抗基准的分数落差能说明自改进方案的脆弱点在哪。
alambert996 在 GitHub 开源了自我改进代码 Agent 框架 self-improving-agents，把方案分为四个层级，从 AutoResearch 循环到代码 Agent 与测试 Agent 对抗共演化的 Arena Loop。实验显示固定基准会造成虚假信心，Level 1-3 在 email validation 原测试上得 90-100%，换到对抗测试套件降到 62-66%，而 Arena Loop 保持 70%；Feedback Loop 是性价比最优，胜 Snake（31.1 对 29.2）且每任务成本仅 $0.03 对 $0.63。框架支持自定义任务、断点续跑，可用 run_all.py 一键跑全部实验。
推荐理由：作者用四个层级的同一组任务做了横向实验，给出成本与鲁棒性的具体数据，读者可以直接比照自己该选哪种自我改进回路。
研究团队提出 DiscoveryRSI 框架，通过多智能体进化搜索构建假设树，用假设信用优化、harness replay 和 rediscovery 三种机制递归学习，并配套发布 DFM-Bench 评测假设质量与累计研究进展。四个生命科学领域中，两轮自改进后假设质量从基线 4.86 升至 5.39，可证伪性和数据可解性提升最大；专家评审中 DiscoveryRSI-27B 在假设重要性与论断合理性上高于 GPT-6 Luna，与模型截止日期后发表研究的对应率为 6.3%，高于 GPT-6 的 2.5% 和 Claude Opus 5 的 2.3%。
推荐理由：论文给出假设树自改进框架和假设质量的量化指标，可看到自动评测与专家评审两层验证结果。
geraldduong096 在 GitHub 开源 self-improving-agents 仓库，将自我改进代码智能体分为四级，从 AutoResearch Loop 到带自改写源码 HyperAgent 和对抗共演化的 Arena Loop。实验显示 Level 1-3 在 email validation 原测试集达 90-100%，但在对抗测试集跌至 62-66%，Arena Loop 保持 70%；Feedback Loop 以 $0.03 对 $0.63 的单任务成本取得与 Arena 相当的性价比。
推荐理由：作者用四级实验数据说明固定基准会让自改进代码智能体产生虚高分数，对比结果对设计智能体评测有可迁移的参考。
作者开源 self-improving-agents 仓库，把自我改进代码 Agent 分为四级：AutoResearch 循环、反馈循环、重写自身源码的 HyperAgent 循环、以及对抗共进化 Arena 循环。实验显示固定基准会造成虚假信心，Levels 1-3 在 email validation 原始测试上得 90-100%，在 Arena 对抗套件上降至 62-66%；Feedback Loop 在 snake 上得 31.1 分且成本仅为 Arena 的 1/20（每任务 $0.03 对 $0.63）。仓库支持自定义任务、checkpoint 恢复和 run_all.py 一键跑全部实验。
推荐理由：作者用三组任务横向对比了四个层级的自我改进循环，给出了固定基准得分虚高与成本差距等实测数据。
cklukas 在 GitHub 发布 OMEGA TRANSFORM，用 Ollama 本地模型提出代码改动，由本地任务池构建、测试并打分，全程默认无云端和 API key，代码与数据不出本机。构建、运行和评估进程均在 macOS sandbox-exec 或 Linux bubblewrap 沙箱中且无网络访问，引擎仅依赖 Python 3.11+ 标准库，支持通过 llama.cpp server、vLLM 或 LM Studio 替代 Ollama，并可用 OpenRouter 接云端模型。项目含 15 个示例问题，作者说明其仍是研究原型，尚未用于真实项目，产出程序需自行检查。
推荐理由：项目用本地模型加沙箱任务池做代码进化优化，默认零云依赖、代码不出本机，并给出完整沙箱与许可设计。
atakanerdim 发布 agent-company 仓库，12 个 AI 智能体组成一家自主运行的公司，通过无人批准即可自动合并的 pull request 发布足球比分预测、互评工作、改写自己的提示词和网站，人类仅作观察者。每日 GitHub Actions cron 按排班唤醒值班智能体，CI 运行测试、dry run 与内容扫描；kernel/ 与 .github/workflows/ 不可被任何智能体修改，外观改动受 SCHEMA 与 tests/test_appearance.py 约束。模型走免费额度，故障时如实记录错误而不编造输出；在线站点为 https://atakanerdim.github.io/agent-company/ 。
推荐理由：项目用固定 kernel、schema 测试和自合并 PR 构建了一套可观看的智能体自我修改边界机制，方法对多智能体部署有参考。
GitHub 项目 ofou/golem 发布，是一个在单个仓库内工作的 Agent，任务缺能力时会自行编写 Python 工具、在 Docker 沙箱中盲测验证后安装，后续会话直接复用已装工具。权限与花费由 authority. 固定并在每次运行前后打印 sha256，默认模型为 deepseek/deepseek-v4.1-flash，经 OpenRouter 计费，单任务花费上限 $0.20，支持 GitHub Actions 复用工作流，采用 MIT 许可证。
推荐理由：这个自建工具型 Agent 用盲测、桩检查和只读哈希许可约束生成代码，其沙箱与权限设计可作工程参考。
omnibase 项目在 GitHub 开源，用 Ray actor 层级（CEO/PM/CTO/SWE/QA/DevOps/Designer）实现一个自我改进服务器，可从高层 spec 生成、验证并以 canary 方式部署自己的代码。验证 gauntlet 包含 ast.parse、mypy --strict、acceptance、invariant、backtest 等门，真实 LLM proposer 必须启用 docker 沙箱；三道 CEO 花费刹车含硬性 LLM 支出上限、熔断器和成本 SLO，代码合并始终由人类完成，代理只执行不决策。项目以 Apache 2.0 许可发布，含 1162 个测试与 roadmap，里程碑 6 计划建模加州汽油市场等外部领域。
推荐理由：这个自我改进服务器把沙箱、支出刹车、人工合并闸门和溯源日志都落到了代码层，可作为 Agent 自改代码安全工程的参考实现。
论文提出 AgentEvolver，一个在基础模型保持固定的情况下，通过任务执行发展可复用能力的系统，八类实体经统一版本化生命周期接受修订。团队报告在 SWE-bench Pro Public 上取得 82.08% 解决率，超过其报告的无进化基线；六个应用案例显示能力保留到后续网站、游戏和研究任务，同时也记录了未完成目标和不成功策略。
推荐理由：论文在固定基础模型的前提下把任务经验转为可复用组件，并如实记录未完成目标，便于读者评估自我进化系统的真实边界。
开发者 4FR41D 在 GitHub 开源手机优先的 PWA 应用 evrim，集成聊天记忆、间隔重复学习、GitHub 仓库操作和 37 工具的智能体循环，可无密钥免费运行（Groq / OpenRouter / Google Gemini 免费层）。其元学习机制在每次回复后提取规则并写入系统提示词，v78 起研究实验室每 6 小时用独立 LLM 评审打分，v79 起可自动测量并改写自身模型路由代码，所有修改需通过 node --check、esbuild 和 334 项测试的回归门槛，失败自动回滚，支持 SmolLM2-135M / Gemini Nano / WebLLM 完全离线运行。
推荐理由：这个仓库给出了从手机端搭建带记忆、自我改进循环和自动评测回滚机制的 AI 助手的完整实现，方法可迁移到类似项目。