按兴趣浏览，循来源深入。
开源项目 Thermite 让 AI Agent 在自有机器上以循环方式自动做代码实验，可运行数小时或数天，仅保留经过独立 judge 验证的改动。Agent 无法查看或修改 judge，judge 在同一硬件上计时并与当前最优版本对比，附带 12 个已知判定的作弊样例做验收测试；支持 Hill climb、Goal、Research 三种模式，提供仪表盘、REST API 与 MCP，目前正向 v0.1.0 首个公开版本开发，采用 MIT 许可。
推荐理由：原文讲清了judge隔离与防作弊机制的设计原理，读者可以理解autoresearch如何在不信任Agent的前提下确认结果。
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。
steromano 在 GitHub 开源 Oracle，一个自改进 LLM 预测评测框架，把记账、结算、打分等确定性环节放在纯 Python 的 src/oracle/ 包中，只通过 oracle CLI 访问状态，判断环节交给 Claude Code 驱动 markdown skills。状态为 git 跟踪的 append-only JSON 账本，模型不直接改 data/ 也不读 data/sealed/，盲测由 Python 强制执行；预测须 oracle commit 成功才算存在，概率钳制在 [0.01, 0.99]。
推荐理由：原文给出完整的架构与工作流设计，读者可以照着复现一套用 Claude Code 做判断、Python 做确定性计分的预测评测系统。
balanced7 开源了 akashic-aurora，一个为 AI 智能体设计的记忆基座，核心问题是衡量记忆是否真正改善了结果，并构建检索路由机制把已有知识送到使用时刻。项目由多个 AI 智能体共享任务账本、消息总线和经验语料协作完成，内置 7,358 个测试、verified_by 验证门控和七种命名扇出几何；作者公开了检索覆盖率造假被审计纠正的完整记录，并明确承认已上线机制的记忆价值尚未在大规模上得到验证。代码以 Apache License 2.0 发布于 https://github.com/balanced7/akashic-aurora 。
推荐理由：项目不止堆功能，还公开了检索失败、指标自纠的完整审计链，读者可以借鉴其多智能体协作与可验证记录的做法。
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。
Zhipeng Chen 等人在 arXiv 发布 DeepEvolve，一个以未来事件预测为环境的可持续演化智能体系统，通过递归进化引擎把每次预测的推理轨迹转化为能力。在按周更新、以真实世界结果评估的 FutureX 榜单上连续三周排名第一，rating 最高提升 195%；在自建评测中于四个基座 LLM 上进入前三，领先最强基线最多 10.7 Bradley-Terry 分。论文 47 页，标注为进行中的工作。
推荐理由：论文以未来事件预测这一可持续演化的环境为基础研究递归自我改进，FutureX 榜单连续三周第一是可复核的外部结果。
研究者借助 AI 智能体框架 AI-greement 发现了面向地理分布式状态机的新共识协议 A-greement。在 5 或 9 副本的六种部署中，该协议在写密集和读密集负载下分别将地理分布式键值存储的平均延迟较最快基线降低 12.2% 和 33.3%，只读负载下持平。AI-greement 集成协议知识库、模块化实现骨架和基于 Lean 的验证框架，其形式化还发现了既有共识协议中多个此前未报告的漏洞；作者强调人类专家在搜索前后仍不可或缺。
推荐理由：原文给出 AI 智能体在 Lean 验证框架下发现新共识协议的完整方法与延迟数据，还附对既有协议漏洞的发现。
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。
imlizhuowei 在 GitHub 发布 realgain，一个仅依赖 numpy 的轻量工具包，通过读取评估日志逐项分解自我改进 AI 系统保留改动的收益来源，区分任务噪声、运气、对选择任务的过拟合、LLM 评分偏差和 grader 访问，并输出 REAL、SCORE ONLY、LUCK、GRADER ACCESS 等判定。实测示例中 AFlow 公开日志的 30 个接受改动仅 8 个超出任务噪声且因无 held-out 任务不可核查，DGM 在 SWE-bench 的 89 个归档步骤仅 3 个超出噪声；模拟测试中误判 REAL 的比例不超过 2.2%，30 个 held-out 任务仅能发现 8% 的真实增益，100 个可达 71%。
推荐理由：原文给出真实日志上的判定示例和工具自身的误报率校准数据，读者可以据此检验自我改进系统的收益是否经得起独立核查。
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。
CrepuscularIRIS 发布 HarnessRSI-Daily 仓库，专门追踪改进提示词、技能、工具、记忆等非权重组件的递归自我改进研究。已对 585 篇论文打分（17 篇达 ★★★ ≥70），评分含证据、执行、证据等级和代码四项且每条判断附原文引用；从 1198 篇语料归纳出 13 主模式 / 36 子模式，独立重判一致率 86%（κ=0.84），并发现 ICLR 2025–2026 中 critique-and-rewrite 模式录用率 17% 低于 35% 基准。仓库含论文榜、诊断卡、模式卡与每日 arXiv 流水线，MIT 许可。
推荐理由：仓库不只收论文，还给每篇打了带引用依据的评分，并从 1198 篇语料中归纳出 13 个研究模式与 ICLR 录用对比。
Google 开源了 Harness2，可将任何 AI harness 变成随时间自我改进的系统。harness 指模型外围的一切，包括系统提示词、工具、记忆、技能和子智能体；agent 会为每个任务提出修改、运行多个候选版本并按表现择优，无需正确答案或评分器，模型权重不变，学到的改进可跨任务延续并保存。Google 用 Gemini 3.5 Flash 和 GLM-5 在法律、办公和专业工作基准上测试，一轮修改即超过原始 harness，多轮后分数更高。GitHub 地址：https://github.com/google-research/harness2
推荐理由：原文说明了 Harness2 让智能体自行改进外围 harness 的机制，且无需标准答案即可比较候选版本，方法可迁移到本地部署场景。
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。
论文提出技能演化中的认知分化方法 CDSE，把统一技能拆为 Meta、Experience、Tool、Script 四个功能组件，从成败轨迹中提取语义梯度并按功能角色做组件级更新与协调调用。对 500 个高分技能包的分析显示 96.8% 包含至少两种功能角色的知识；在六个基准、三个 Agent 模型、两种执行框架共 36 个设置中全部取得最高分，比 Base Agent 平均高 7.6 个百分点，比各设置最强对照方法平均高 2.6 个百分点。论文 22 页，编号 arXiv:2610.23599。
推荐理由：论文用功能分化思路改造 Agent 技能演化，并在 36 个实验设置中给出对比数据，方法对技能库维护有参考价值。
jackleone329 发布 self-improving-agents 仓库，把自我改进代码智能体分为四级，从最简单的 AutoResearch 循环到带自改写代码与对抗共演化的 Arena Loop。实验显示固定基准易造成虚假信心，Level 1-3 在 email_validation 原测试上得分 90-100%，但在对抗套件上降至 62-66%，Arena Loop 保持 70%；Feedback Loop 性价比最好，snake 得分 31.1、成本 $0.03 每任务，约为 Arena Loop 的 1/20。仓库支持断点续跑、自定义任务接入，并提供终端内观看 Snake AI 对局的播放工具。
推荐理由：作者给出四级自我改进代码智能体的实测对比数据，固定基准与对抗基准的分数差异对选择方案有直接参考价值。
论文提出面向长时程自主机器学习工程优化的后训练方法，训练出 35B Mixture-of-Experts 智能体模型 MLExpert。方法包括构建可执行任务的 Kaggle-MLE Factory、层级 agentic SFT，以及将两次实验结果之间的多轮决策作为一个执行窗口并赋予共享结果奖励的 Windowed Interaction RL（WIRL）。在 MLE-Bench Lite 上，MLExpert 将基座模型平均奖牌率从 37.9% 提升到 72.7%，达到与 Kimi-K3、GLM-5.3 等更大前沿模型相当的水平，并在 NatureBench Lite、agent scaffold 优化和算法优化上显示能力可泛化。
推荐理由：论文展示了用层级SFT加窗口化RL把35B模型训练成自主机器学习工程智能体的完整后训练方法，MLE-Bench Lite数字可作参考。
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。