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。
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。
作者开源了 Tony，一个用 Python 从零构建的个人 AI 智能体，目的是学习智能体内部原理，v2 版新增对话与工具，测试台词得分 108/108。人格保存在版本化文本文件中，回答可标记好坏以指导调整；记忆由笔记、会话摘要和最多 40 条事实的整合记忆组成并进入 prompt。默认模型 qwen3:4b，依赖 uv 和 Ollama，采用 MIT 许可证。
推荐理由：作者把人格改动变成可测量的流程，用测试台词加裁判模型打分，只保留不变差的修改，做法可迁移到其他本地智能体项目。
timoncool 发布开源项目 satori，一个 MCP 服务器加 hooks，为 Claude Code 提供封闭自学习循环，把用户纠正和工具失败转化为课程草稿并自动激活为技能。全流程在聊天中以 ⛩ 标记可见，retire_skill 可一键撤销激活，SATORI_AUTO_APPROVE=0 可切换为手动审核模式；服务端只做确定性机制，无后台 LLM 调用。支持 Windows 原生运行、FTS5 历史会话检索、提示词注入标记扫描，并可与同作者的 dream-skill 记忆整合项目配合使用。
推荐理由：项目把 Claude Code 会话里的纠正与失败自动沉淀为可审计技能，全程可见、可一键回退，是可复用的自我改进工程方案。
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。
Grillcheese-AI 开源 CubbyLLM，一个八层架构项目，语言模型被刻意做成最小、可替换的一层，每句回答都是 VM 针对事实库执行的程序或带理由的拒绝，用构造而非判断保证诚实。项目同步发布自研 450M 混合模型 base450m（MinGRU + 窗口注意力，bbpe128k 分词器，约 4B token 预训练，经 Vulkan 运行于 grilly2），并给出算术步进（单次通过 5.5% 提升）、qFHRR n-gram 记忆、800 题验证管线 0.718 覆盖且精度 1.000、SimpleQA 与百科 OCR 等大量实测数字，每个数字对应 validation/logs 中的日志。
推荐理由：原文给出可复现的验证实验与指标，把语言模型降为可替换一层、由 VM 仲裁每个回答的架构做法有可迁移的参考价值。
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。
论文提出 Agent S4，一种自主计算机使用智能体，从任务经验中构建可演化的智能体界面：元智能体在无成功标签的合成任务轨迹上构建并修订界面与用法知识仓库，再通过基于种群的进化按未见验证任务的表现筛选。在 OSWorld V2 上，Agent S4 搭配 Qwen3.8-27B 与演化界面仓库取得 21.3% binary score，为固定界面同模型的 3.8 倍，高于 GPT-5.5（13.0%）和 Claude Opus 4.8（20.6%），成本约为后两者的 4.3% 和 1.5%；在 ScienceBoard 上同模型成功率从 41.4% 提升至 58.6%。代码已开源。
推荐理由：论文提出让智能体自主演化操作界面，用无标签轨迹和种群进化构建接口库，并给出 OSWorld V2 与成本对比数据。
论文追踪七个开源 RL 后训练框架的提交历史，并关联 2025 年 1 月至 2026 年 6 月的 6939 篇 arXiv 论文。在 1598 篇提出通用 RL 训练方法的论文中，只有 37 篇被至少一个框架纳入；每季度队列在 180 天内纳入数量稳定在 5 到 7 篇，而队列规模从 72 篇增至 386 篇。被纳入的论文更常训练 30B 及以上参数的策略（41% 对 10%），更常修改现有损失中的系数、clip、mask 或权重（29% 对 9%）；两个差距在剔除框架维护公司自身论文后依然成立，而代码开源比例在两组中相同。超过九成未被纳入的方法在框架 issues 中没有任何提及或引用。数据以追踪器形式发布，链接训练失败与框架实现并列出各框架贡献规则。
推荐理由：论文用提交历史量化了 RL 论文进入开源训练框架的真实比例，数据可帮助读者评估方法复现和框架选型的落差。
Zihan Chen发布arXiv论文（arXiv:2610.27610），对2026年10月冻结的114项递归自我改进（RSI）研究全文编码，其中90项自称RSI。结果显示90%报告了产品评估，但仅60%在选择未用任务上评估，仅22%审计两次以上完整循环；26项声称改进流程的研究中只有4项在同一起点和匹配预算下比较前后流程，作者据此提出将每项声明与对应评估设计绑定的报告标准。
推荐理由：论文用统一编码框架量化了RSI研究的证据缺口，指出可重复性和改进流程验证远弱于产品评估。
jagones84 发布 Longrun，一个自托管 AI Agent harness，提供浏览器 UI、工具会话、任务图、团队编排、HTTP/SSE API 和 CLI，需 Python 3.10+，支持 Windows 与 Linux x86_64/ARM64。核心设计为 Nucleus 受保护核心与 Matrix 可热编辑区分离，Matrix 文件改动无需重启即生效，可通过 promote_to_nucleus 经测试、开关、checkpoint、提交四道门控晋升进核心；支持 OpenRouter、Ollama、llama.cpp、LM Studio 等本地或托管模型，含会话记忆、代码库索引与跨会话 Knowledge Base，AGPL-3.0 许可，验收测试 223/223 通过。
推荐理由：README 详述了 Nucleus/Matrix 双区自扩展机制与四道晋升门控，读者可以据此评估这个自托管 Agent 框架的工程设计。
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。