新闻、仓库与研究，按时间排列。
一项实证研究考察编码智能体 harness 能否通过经验自我演化：让 Claude Code 运行 \retro 技能，在 30 个 SWE-bench Verified 问题上回顾会话并提出 125 项修改建议，实施其中 24 项，并在新会话中评估 12 项 harness 改动。在目标问题实际出现的 7 次评估中，2 项改动消除了目标行为，1 项减少其发生，4 项无效，部分改动还在无关问题上增加了工作量。研究指出 harness 自我演化还需要验证改动是否有效、并修订或移除无效改动的机制。
GitHub 开源项目 Conjecture-Gym 包含两部分：PolyForge 通过符号前向推导生成图论猜想，仅当 .lean 文件通过 Lean 4 kernel 编译（无 sorry、仅标准公理）时才写入语料，全程无 LLM 参与；下游对小型代码 LLM 做 LoRA SFT 微调，并用真实 Lean pass@k 评分。两阶段仅通过 output/train_corpus.jsonl 文件连接，语料按公式去重、持续累积。
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。
论文提出 HarnessMM，通过受保护的决策复用与递归自我改进（RSI）降低 Agent harness 的 token 消耗，actor 权重保持不变。在 HumanEval 上，Codex 成功率保持 90.82%，Tokens/task（k）从 66.72 降至 47.02（节省 29.54%）；DeepSeek Harness 成功率从 71.43% 升至 85.71%，Tokens/task（k）从 96.28 降至 11.62（节省 87.93%）。MBPP 消融显示成本比单次使用图低 26.91%，比保留回调低 19.52%。
GitHub 开源项目 Content-Agent-Lernapp 能从一个关键词（试点：机械与设备操作员）从官方来源生成课程并持续更新。技术栈为 Next.js 16 + React 19 + TypeScript + Tailwind 4，托管于 Vercel，持久化用 Supabase EU，质量追踪用 Langfuse Cloud EU，模型采用 Claude 负责生成、OpenAI mini 作为评审。项目包含学员 UI、培训师分组视图、admin 管理端，以及含 CI 修复循环（最多 3 轮）和风险分级的自动化 PR 审核流水线。
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。
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。
研究者提出 ReTerm，一种通过学习从自身失败任务中恢复来实现自我改进的终端智能体训练方法，并构建了用于 SFT 冷启动的 ReTerm-10K 数据集和从失败状态分叉生成多次自恢复尝试的在线 RL 算法 ReTerm-GRPO。基于 Qwen3.5-9B 的 ReTerm-9B 在 Terminal-Bench 2.0 上取得 34.8% Pass@1，较基座模型提升 14.6 分，且在多类错误下的恢复率均高于标准 GRPO。代码、数据和模型已开源。
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。
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。