按兴趣浏览，循来源深入。
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。
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。
wehnsdaefflae 发布 routine-scheduler，一个自托管的定时 LLM Agent 任务控制台，提供 Web UI 实时查看对话并可在运行中干预。每个 routine 由指令、工作流和排期组成，独立存于 git 仓库，运行在 provider 无关引擎上，util 子进程受 Landlock 沙箱限制；系统通过 routine-improver、self-audit 等 meta routine 基于 outcome 数据自我改进，支持 OpenAI 兼容 API 与 Anthropic Messages API，Web UI 位于 http://127.0.0.1:8321。
推荐理由：原文详细说明了沙箱隔离、outcome 门控的配方回滚和 Landlock 机制，读者可以据此评估这套自托管 Agent 调度器的安全与自改进设计。
论文提出 AutoTavern，一个由专业化 LLM 研究智能体组成的自改进系统，在 20 天内构建了炉石酒馆战棋的完整模拟器 TavernGym 和 23 个版本的 TavernAgent。TavernAgent 在天梯上自行完成对局，评分从 6,000 升至约 15,000，最近 20 场平均名次 1.60、80% 第一名，各项统计优于服务器前十玩家（2.34、59%）；配套 TavernBench 含 40 个场景共 960 个任务，TavernAgent 答对 91% 对局任务而前沿 LLM 至多 63%，0.03 秒内决策且实时回合内保持 90%。TavernBench 和 TavernGym 将开源。
推荐理由：论文用实测数据展示了自改进 LLM 智能体建系统的能力强于其直接对局能力，结论对 Agent 研究方向有参考价值。
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。
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。
一篇 arXiv 技术报告系统研究物理递归自我改进（RSI）的机制、scaling 行为与泛化，提出 PhysRSI-eval，用首次尝试性能、效率、成功率、预算与失败改进五轴指标，在固定交互预算下评测多个 VLM 于 18 个操作任务。分析引出 Physical Barrel 假设，并从公开能力预测相对表现、从早期物理反馈预测后续进展两个角度做观测性 scaling 分析；工作区干预显示移除历史会降低后期成功率，而冻结工作区在未见布局上仍有效，说明场景特定适应与可复用经验可以共存。
推荐理由：论文用五轴指标量化物理 RSI 并给出观测性 scaling 分析，能帮助读者理解 VLM 智能体自我改进能力的来源边界。
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。
maazbin 发布 JobPilot v3.2.0，一个无自带模型的 MCP 工具服务器，让 Grok、Codex、Claude、Gemini 等编码 Agent 作为大脑驱动 Gmail、LinkedIn Easy Apply、ATS 表单和 Connect 四个求职渠道。系统用 data/jobs.db 做跨运行去重，卡住的页面会保存截图和 HTML 并通过 PR 修复模块；Easy Apply 默认每日 50 次上限、到 80% 即停，提交间隔 90–240 秒。项目在 https://github.com/maazbin/jobpilot 开源，MIT 协议，Indeed 无表单人机检查和 Lever 上的 hCaptcha 仍是未解问题。
推荐理由：原文给出完整的架构分工、四渠道投递流程和已知未解问题清单，读者可以据此判断这个 MCP 求职工具的适用范围。
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。
论文提出 AdaRSI，一种具身智能体的按需递归自我改进（RSI）框架，解决 VLA 在未见长程任务中途中失败的问题。编码 agent 先改进技能与 harness，再通过从保存状态重试失败子步骤来归因持续失败，仅对仍不可靠的子步骤用自采演示和先前任务经验做微调。在 RoboCasa365 全部 50 个目标任务上，以 GR00T N1.5 为执行器且无人类演示，AdaRSI 在三个套件上均提升 VLA，将未见复合任务成功率从 4.6% 提至 13.8%；相比微调每个子步骤，成功率略高而仅用 28% 的 GPU 时间和 22% 的自采演示。论文链接 https://arxiv.org/abs/2610.20474v1
推荐理由：论文给出按需微调与全量微调的对照数据，GPU 时间和自采演示用量都大幅降低，方法细节可直接参考。
schwabauerbriantomas-gif 发布 Rust 编写的 m2m-agent-r，为 LLM 智能体提供持久错误记忆。错误以 incident 记录并按指纹去重，重复出现（N0–N3 验证、N≥2）才蒸馏成规则；混合 preflight 打分返回 top-3 规则并可在硬匹配时全局否决，智能体回报 hit/miss 使规则自调优，HMAC receipts 可防篡改。通过 axum HTTP API、本地 CLI agentr 和 MCP stdio 服务器暴露，支持多智能体 swarm 共享记忆与任务协调。
推荐理由：README 详细给出了错误记忆的两层流水线、N0-N3 验证门控和自建基准数据，读者可评估这套多智能体共享错误记忆机制的适用范围。
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。
Xinyi Wang 等在 arXiv 发布 SEAR（Self-Evolving Agentic Robotics）框架与基准，语言模型智能体通过编写控制代码并在真实与仿真任务中保留有效经验实现自我进化。框架含 code-as-policy、agent-as-policy、auto-research 三种模式，基准覆盖 7 个前沿模型、330 个仿真任务与 5 个真机任务、累计超四年智能体运行时间。主要发现包括任务更难时延长会话更划算、控制代码与共享例程可跨任务和模拟器迁移而任务特定方案不能、真机上智能体设计的练习与新颖人类设计场景存在性能差距，且纯文本模型可媲美可比多模态模型；基准与代码库已开放。
推荐理由：该基准专门设计对照组区分真实学习与重复尝试和运气，并给出跨模拟器与真机迁移的实测发现，方法可复用。