新闻、仓库与研究，按时间排列。
google-deepmind 发布 Simply，一个基于 JAX 的极简、可扩展研究代码库，定位为人和 AI 智能体都能快速迭代的前沿 LLM 研究环境。内置智能体示例与面向长程运行的 Go 语言 Agent 框架 Amplio（支持崩溃恢复、子智能体与 Web UI），以及含 11 项评分任务的 research_bench 套件；zoo 目录提供 GLM-5、Kimi K3 和 Qwen3.8 自包含模型插件，支持 Cloud TPU 与 GKE 运行，软件采用 Apache 2.0 许可证，模型与数据集可从 HuggingFace 下载（约 10 GB）。
推荐理由：代码库自带 11 项评分研究任务和带崩溃恢复的 Amplio 长程 Agent 框架，可据此了解自动化 AI 研究的落地工作流。
GitHub 新仓库 Autonomous-million 上线，主体是一个自主 AI 集体，探索合法的零资本收入生成。仓库包含 config、docs、proposals/typescript-state-v1、reports、tests 等目录，以及 agent_state.json、coordination-state.json、payment-claims.json、recruitment-publication.json 等状态文件。
GitHub 仓库 lululido8-ui/AI-researcher 上线，可对多来源科学论文进行智能检索、筛选与总结，用于高效科研与报告生成。目前该项目获得 3 个 star，暂无 fork 与 release。
GitHub 上线 plectis-zenith 仓库，核心是让语言模型权重保持固定的图结构推理流程：Lab 选择资产并预测结果，Oracle 对比冻结预测与现实，Evolve 由智能体提出修改并在后续匹配运行中验证是否有效。当前 FNSPID 适配器仅提供 AA 价格与文章数据，尚无已测版本建立起预测优势。
GitHub 上的 AGI-Agenten 项目实现了"计划→执行→评估→优化"的模块化多智能体循环，支持免费 LLM 提供商链（Ollama/Groq/Together）、Round-Robin API-Key 轮换与 MCP 风格工具连接器。引擎通过 state_memory.json 持久化状态，无 API-Key 时以离线回退确定性运行。内置 subprocess 沙箱代码执行、0-1 评分的启发式评估及规则式提示词自优化，测试套件含 10 个模块共 41 项测试。
ZHangZHengEric 发布 Sage 2.0，提供 sage.yaml 定义的 Agent 包、Desktop v2、Server v2 和 SAgents v2 Python 运行时。新增 RSI 多轮 Agent 包优化，用独立 Session 做评测与语义审查，保留每轮迭代的完整包和测试结果，候选需显式确认才应用；支持 Skills、MCP、多智能体编排与状态化执行，安装包覆盖 macOS、Windows 和 Linux。
推荐理由：Sage 2.0 的 RSI 循环保留每轮完整包与评测结果，且优化候选需人工确认才替换配置，原文写清了可复用的迭代管理做法。
研究者提出 Heterogeneous Agentic CoEvolution（HACE）框架，通过监督学习改进专用基础模型，同时用 on-policy 强化自训练训练 LLM 智能体，并用进化搜索优化二者的交互方式。在推荐系统、蛋白质功能预测和晶体稳定性预测三个领域，HACE 在主要任务指标上均优于被评测的自改进方法。
kitrakrev 在 The Harness Engineering & Model Wrangling #SFTechWeek Hackathon（2026年10月11日）单日开发的 Morph 开源（https://github.com/kitrakrev/morph），围绕固定 planner 模型（Claude Haiku）构建自我演化 harness，从机器人结构文件 bootstrap 规则并逐步演化工作流图、约束与信念。同一 planner 下无人机 held-out 任务从 0/12 提升到 12/12、0 安全违规，四足与 held-out 六足本体零代适应即 12/12；固定翼 VTOL 一条规则编辑后从 16 项违规降到 0。
作者发布开源仓库 expunge，用于从真实数据库中验证式地删除个人数据，核心思路是模型权重固定、只让harness（上下文策略、工作流、护栏、工具权限）按实测失败进化。独立grader用密封清单对照提交后状态，无LLM judge；补丁需通过受信编译器校验，候选harness须经38个配对世界门控，MongoDB Atlas承担权限层（3库、10个最小权限主体、CAS晋升），Raindrop作为证据层。演示中候选f1eb5184在6对pilot世界将有效清理从0/6提升到3/6，残留从33降到18，但仅限direct_nested类，作者明确称其为pilot而非正式admission；gate、部署与插件沙箱已构建但仍在合并，模型自动生成补丁和首次完整live循环尚未完成。
GitHub 上的 LATTICE 是一个面向大语言模型的 5v5 团队对战游戏：两支由 5 个 LLM 智能体组成的队伍共享一个持久网格，用确定性 Python 子集协作编写程序，部署为自主无人机和结构，与对方队伍的代码对抗。规则迫使各队自行组织分工。项目目前处于 M0 阶段——契约与骨架代码。
LookingForErrors 发布 agent-improvement-lab，一个用于发现 AI 助手失败、选定具体改动并对比版本的研究原型，以评测可靠性优先。项目内置 252 个任务对、分属 84 个家族，演示中 Synthetic replay 从 58.7% 提升到 86.5%；支持导入 JSON/JSONL、六种内置或自定义评测标准，架构由 Python、LangGraph 与 Inspect 分层负责轨迹校验、结果审查与对照实验。
Tito-Gl1tch3r 在 GitHub 发布 AI-ku_superprogrammer v1.1.0，含 25,297 条样本（23,951 公开 + 1,346 hard_holdout）、109 个家族，MIT 许可。数据集按 00 理解代码到 05 目标持久化的编号课程组织，覆盖 15 种语言，采用 GENERAR→EJECUTAR→COMPROBAR→FILTRAR→CONSERVAR 流水线，每条样本经沙箱真实编译/执行验证，未通过项进入隔离区。v1.1.0 新增模块 07 构建系统、双向变异测试门控，以及逆向工程与 TS 视频端到端扩展。
研究者提出 Marvo，一种无需标注数据的视觉智能体自我进化方法：由 challenger 从无标注图像生成问答对，solver 通过强化学习在解题中学习工具调用。challenger 引入边际奖励，即 solver 有无工具时的性能差，形成自适应课程，在智能体推理、视觉搜索、数学等基准上平均准确率最高提升 7.1%。
Trace Evolution Bench（TEB）是一个将重新评分与上下文或权重更新分离的评测协议，主榜为代码任务，由封闭工作区的隐藏单元测试评分。在 40 个 held-out 任务上，DeepSeek v4 Pro 在 no_evolve 下仅重评分就变动 7.5、5.0 和 12.5 个百分点；九个受 GEPA、ACE、ExpeL 启发的文本更新单元有七个超出种子自身波动带，GLM 与 MiniMax 未复现该模式。
TachikomaGundam 在 GitHub 发布 Abathur（https://github.com/TachikomaGundam/Abathur，MIT 许可），一个面向 OpenCode 智能体的进化工装，通过观察失败、变异、重测、筛选来迭代候选，但晋升决定必须由人执行 promote，工具内不可触达。v1 支持零模型的 toy 基准和真实 opencode 会话的 fixture 基准，离线血缘包（bundle）可在实例间通过字节级闸门嫁接传承证据，工装本身不做网络传输；需 Node >= 22，安装方式为 npm i -g @tachikomagundam/abathur。
GitHub 仓库 self-improving-loop 是一个面向 AI 智能体的回滚优先可靠性层概念件，自 2026-05 起停更，2026-08 正式标记迁移。主线已转移至 taiji——一个带 false-pass gate 与 CI 门禁的证据门运行时，原仓库概念仍可对照阅读。
AICP-BIO-1 · Java 是 AICP 协议的 JVM 实现，支持 LLM 将 .java 文件写入 src/plugins/ 后由 FileWatcher 借助 WatchService 加 2 秒周期扫描实现在进程内动态编译与热加载，无需重启，编译失败最多重试 5 次。插件通过 @DEPS 声明依赖即可自动从 Maven 镜像下载 jar，函数签名 (Envelop, Agent) → Envelop 即路由契约。系统要求 JDK 21+ 和 Maven 3.10+，HTTP 网关、WebSocket 和文件上传分别运行在 9000、9001、9002 端口。
Nous Research 推出 hermes-agent-evolution，一个具备自我改进能力的 Hermes 智能体，可自主研究改进、每日自动更新，并从经验中创建和使用中改进技能。它内置 cron 调度器、FTS5 会话搜索与 Honcho 用户建模，兼容 agentskills.io 开放标准，支持 Nous Portal、OpenRouter、OpenAI 等任意模型且可随时用 hermes model 切换。提供一条 curl 命令安装升级，可运行在 $5 VPS、GPU 集群或 Daytona/Modal 无服务器环境。
作者发布 AgentDescent 框架与配套论文，用并行 worker 提出 diff、无屏障聚合器合并冲突的方式做智能体技能、提示词与 harness 的自进化。实测在 GLM-5.2 的 BBH dyck_languages 设置中 keyed union 合并 0/48、reflective merge 42/48，串行控制下中位加速 6.8×，模型调用减少 40%；HotpotQA 40 条数据上 held-out exact match 从 0.167 升到 0.583。内置 20 个已发表算法端口（GEPA、ACE 等）与 Claude Code 等 Agent 插件接口，仓库为研究参考实现，文档见 birfy.github.io/agentdescent。
推荐理由：原文给出各指标的实测设置与置信区间，并声明只在不达显著时如实报告，读者可自行核对每个结论的适用条件。
作者在 GitHub 发布 agentic_cyber 实验仓库，研究 LLM 生成的 C 和 Rust 软件在多个维护检查点上的演化，独立重复 N 条 lineage。功能与安全评估严格分离：安全评估用 AddressSanitizer 与受限对抗输入，其结果不反馈给模型、不触发修复、不影响 overall_success。实验以 Aider 加 Ollama 模型（如 ollama_chat/qwen3.8:27b 与 qwen3-coder-next）为后端，围绕 RQ1 正确性、RQ2 多样性、RQ3 安全性三个研究问题提供完整分析工具与文档。
一个 GitHub 仓库每日自动发布被观察的多智能体沙盒环境脱敏后的现场笔记。定时任务 observer-notes-publisher 读取每日笔记，生成摘要与标签，并经 fail-closed 清洗，过滤密钥、基础设施标识和个人数据后才发布，站点通过 GitHub Pages 浏览，索引按最新排序列出每天内容。
GitHub 上的 THIRD-EYE 研究原型完成 Sprint 1，支持默认 LoRA 与可配置 NF4/bf16 QLoRA。任务 26946 于 2026-10-09 在单张 A100 MIG 2g.10gb 上 315 秒完成 K=3 候选更新、H=2 标签及保存/回滚/晋升检查，PyTorch 峰值显存 3.950179 GiB。作者强调这只是小数据管道冒烟测试，新 forecaster 的 MSE（1.643511677684728e-05）与常数输出基线相当，未做 held-out 评估，checkpoint 与 adapter 均仅存服务器端。
TrueFurina 开源 AGI-Distiller 仓库，一个从文章、博客、论文中提取痛点、解法和可执行规则并沉淀为 Agent 技能的知识蒸馏系统，含 22 个生产技能和 14 节行为规范 ATOMCODE.md。Claude Code v2.1.251 上实测全链路安装 19 个技能加载，WorkBuddy 亦实测通过；Codex CLI、Cursor 等 6 个平台路径未实测。注意仓库为 source-available、权利保留，禁止复制、修改、分发和商用。
PrismShadow 团队在 GitHub 开源 PenguinHarness，一个本地优先的多智能体应用开发平台，覆盖智能体应用的创建、评测、优化与部署，采用 Apache 2.0 许可。平台支持 DeepSeek V4、Kimi K3、GLM 5.3、Qwen 3.8 Max、GPT 5.6 等模型及 1000+ OpenAI 协议端点，内置技能自进化引擎与四类插件，示例中一句话生成的 RAG 应用仅花费 $0.02 的 DeepSeek V4 Pro token；作者为 LlamaFactory 作者 Yaowei Zheng 所在团队，提供桌面端、CLI、Docker 与离线安装。
Taoyong Cui 等人在 arXiv 发布 RSI-Anything（arXiv:2610.13912），一个基于 JEPA-Anything 的领域通用递归自我改进（RSI）框架，用预测式世界模型指导动作与学习数据选择，并通过组件与兼容性检查决定更新后策略-模型对的保留。代码修复中成功率先从静态验证器的 26.3% 提到预测选择的 29.2%，经世界模型适配后达 31.2%；GUI 任务完成率提高且平均动作减少 39.4%；五个连续策略版本使实验室规划得分从 21.80% 升至 46.01%；40 次实验预算下反应优化平均最优产率 96.15%，优于贝叶斯优化的 82.16%。
推荐理由：论文用预测式世界模型替代昂贵外部反馈来驱动递归自我改进，并给出代码修复、GUI、实验规划等多域的可复核数字。
Caesar 是一个开源自主研究智能体，通过持久知识图谱上的深度网页探索和对自身草稿的对抗式修正来综合答案，定位为 ChatGPT Deep Research 与 Perplexity 的开源替代。在盲评 LLM-as-a-Judge 创造性评测中，Caesar 全文配置得 26.96/30，高于 Gemini 3 Deep Research（23.78）和 GPT-5.2 Deep Research（15.74），Cliff's δ ≥ 0.76，另有 23 人的人类评测佐证；在 ~$5/挑战的等算力对比中仍领先。
推荐理由：原文给出了基于知识图谱探索与对抗式合成的完整架构说明，并用LLM评审和人类评测数据对比主流深度研究产品，方法可复现。
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。
DaizeDong 在 GitHub 发布 self-evolve，通过 profile、reflect、propose、patch、evaluate、accept 的循环，在 Git worktree 中评测候选改动并以证据决定是否接受。工具冻结评测规则防止通过删任务或自评提分，支持 A（执行测试）、B（独立验证事实）、C（提供测量）三类证据模式，提供 CLI 的 doctor、init、run、status 命令，要求私有 Git 伴生存储，MIT 协议。
推荐理由：原文讲清了自我改进循环如何用固定评测契约和证据化验收来防止改任务、删难题、自评刷分。
GitHub 开源仓库 Awesome-Self-Improving-Agents 汇集自我改进智能体系统的论文、benchmark、博客、播客、视频和课程等资源，欢迎社区通过 PR 贡献。该仓库配套综述《Self-Improvements in Modern Agentic Systems: A Survey》（arXiv:2607.13104），按两条正交轴组织分类：Foundation Model Improvement（含内在生成示范、内在评估反馈、外部探索经验）与 Scaffolding Improvement（提示词、记忆、工具、完整 scaffold），并收录 Self-Instruct、Constitutional AI、TTRL 等代表文献及其时间线。
GitHub 上开源的 llms-as-bias-optimiser 项目通过 LLM 提议 BiasSpec 值、由本地确定性评估器执行的方式探索图像表示，LLM 不执行代码也不分配 fitness。项目需 Python 3.14，划分了 domain、features、compiler、llm、search 等模块，基于可复现的 MNIST 数据划分，实验与搜索流程将在 PLAN.md 中后续实现。
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。
Zimo Wen 等人发布 arXiv 论文 RoboRSI（arXiv:2610.12424），提出基于 Top-Down Skill Refinement（TSR）的机器人自我改进系统，将任务分解为复合、原子和基础技能，把执行结果归因到对应分支并只修改该分支，由 Manager、Planner、Engineer、Reviewer 协同完成规划、执行、诊断和新技能的验证发布。在移动操作机器人上经 104 轮学会多物体家庭清理，在 LIBERO、LIBERO-PRO、LIBERO-Plus 和 RoboTwin 仿真基准上取得最高成功率，超过最强基线 2.7 至 11.0 个百分点。
推荐理由：原文给出了按技能分支归因修复的自进化框架和多个基准上的成功率数据，读者可以据此评估机器人自改进方法的可复用思路。
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。
scasella 开源了 hn-formal 项目：一个 HN 首页及 30 个讨论帖的只读渲染版本，渲染器用 Lean 4 编写并带有 render_ok 正确性证明，仅依赖 propext、Classical.choice、Quot.sound 三条公理。项目包含由 LLM 驱动的自动重构循环（需配置 ANTHROPIC_API_KEY 后才能首次运行，尚未真实调用 Claude），refresh 每 15 分钟部署到 GitHub Pages，redesign 每日 03:17 UTC 运行。项目采用 Apache-2.0 许可证，与 Y Combinator 无关联。
圣母大学 Yiwen Lu 发布 SkillRC，一个受控实验框架，用于审计 Agent harness 注入冻结 LLM 执行器的经验记忆收益。在 ALFWorld 134 个未见任务上，GPT-4o-mini 记忆增益 +0.127，Qwen3-8B 为 -0.021，跨栈 transport gap 为 -0.148；顺序安慰剂复现了执行器反转，表明主要效果源于各栈对附加上下文的响应而非技能内容本身。仓库含 YAML 配置的六控制面、安慰剂构建脚本与预印本论文。
推荐理由：论文用安慰剂对照和跨执行器配对设计拆解经验记忆的收益来源，方法可迁移到自己的 Agent 记忆审计中。
MAF 是一个与具体 CLI 无关的多智能体编排框架，由模型规划任务 DAG，再把各节点分派给 coder、tester、security、reviewer 等角色，每个角色带独立系统提示词和工具白名单。0.2.1 版本已支持 Claude Code、Gemini、Codex 三种 CLI 后端和 Ollama、OpenRouter 两种 HTTP API，内置策略引擎、路径限制、密钥脱敏、写入角色全仓库 diff 安全审查，以及 HMAC 签名的 SLSA 风格证明包。README 用状态表逐项区分已交付与计划中功能，并附对应测试文件；worktree 隔离、人工审批门、in-toto 证明等留待 0.3.0。
推荐理由：README逐条标注每个特性是否已交付、对应测试与版本，读者可据此评估这个多智能体编排框架的真实完成度。
GitHub 上的开源项目 agent-skill-bus 为任意智能体框架的技能提供运行时健康检查、自我改进和依赖管理，支持对技能进行监控、诊断和修复。
GitHub 上的 C.O.D.E.（conflict-oriented-discovery-engine）是一个从文献中发现相互冲突证据、归因实验上下文并生成可证伪假设的研究型科学软件系统，当前包版本为 4.0.0a0，要求 Python >=3.10。系统采用确定性规则优先、LLM 仅做受约束 Draft 抽取的架构，保留从结论候选到原文证据的可追溯链。项目仍处于研究和 canary/replay 驱动的成熟阶段，支持离线安装与测试，系统输出不等于已证明的科学结论。
fightheyyy 在 GitHub 开源 xiaobaOS，一个 IM-native AI 同事 Runtime，Base 负责沟通派工，八个默认 Role（EngineerCat、BrowserCat、GuiCat、SecretaryCat、UserCat、InspectorCat、ReviewerCat、EvolutionCat）接管执行并交付文件、消息和证据。
推荐理由：原文详细给出了角色分工、Trace 证据链和受控进化的验收流程，读者可以了解一个可审计的 AI 同事系统怎么搭。