新闻、仓库与研究，按时间排列。
作者开源了 agentic_trading 仓库，一个由智能体每日运行并改进的预测市场纸面基金，LLM 负责研究预测，Python 负责仓位与风控，资金全部模拟，仓库地址 https://github.com/Amadeus415/agentic_trading。v1 多资产版（8 月 22 日至 10 月 5 日）NAV 从 $1,000 涨至 $1,020.41，最大回撤 27.4%，跑完 96 个周期，同期 SPY 为 +0.76%；Python 拦下 88 个提案中的 76 个。v2 预测市场版从 10 月 17 日至 26 日跌至 $425.50，回撤 64%，同期纯代码对照组跌 8%；在 368 个已结算预测上，智能体恰好在与市场价分歧处表现更差。
开源项目 Donna 用 Gemini Live 语音 agent 接听小商户电话，每通电话结束后由另一个 Gemini teacher agent 打分并改写规则、知识和工具，生成新配置版本供下次通话使用。项目包含护栏机制：问题必须引用通话转录、每次最多改 3 条规则且上限 20 条、规则不得含业务未声明的价格数字，所有改动由店主在 dashboard 审批并可一键回滚。技术栈为 Twilio Programmable Voice、Node.js/TypeScript 和 MongoDB Atlas，来自 2026 年 10 月 Harness Engineering hackathon。
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。
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。
GitHub 在仓库 wrcp20/github-intelligence-reports 中发布每日自动生成的情报报告，覆盖 CLI Agent 与 LLM 框架生态。仓库包含 reports 与 reports-claude 等目录、README 及 index.html，报告由自动流程生成。
GitHub 仓库 llm-frontier-reports（Ryuuko-2231）公开存放自动化 LLM 前沿追踪工作流生成的每日报告。报告按 daily/YYYY/YYYY-MM-DD.md 的目录结构组织，自动生成后推送到仓库，供公开阅读与存档。
这是一个为 Terac Zero Human Company Hackathon NYC（Oct 24, 2026）开发的 Agent 自主运营研究工作台：买家在 Whop 支付 $3 并选定 CNCF 项目后，Agent 用 Exa 检索 KubeCon/CNCF 演讲并生成每条论断都带 [▶ MM:SS] 时间戳引用的 wiki。每单通过 GitHub Pages 的 MkDocs 站点发布，决策与订单记录存入 SQLite，Terac 人评反馈持续改写文风指南，单轮研究预算上限默认 $40。
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。
Oxygen56 开源 MoltWeave v0.2，探索机制级持续递归自我改进，对记忆、检索、工具路由、恢复、提示词和改进策略提出变更，模型权重与外层权限边界保持固定，初始实现执行有界表达式 IR 而非任意生成的 Python。v0.2 正式读数为 20 轮 × 10 流 × 三臂协议，联合演进 M/P 终端 177/260，低于固定 M/P 基线的 214/260 达 14.23 个百分点，未能确立演进 P 的独立收益；停用记忆读写时降至 96/260。历史 v0.1 冻结四轮协议中联合运行 held-out 从 39/70 升至 65/70，但固定 P 对照达 67/70，同样未能确立隔离 P 收益，外部 24 题 SQuAD 检查零增益。
FormalizedFormalLogic 组织的 AlphaCentauri 项目尝试让 AI 智能体自主形式化一阶算术的元数学，基于 Lean 4 数学逻辑库 Foundation 构建。人类通过 GitHub issue 决定形式化目标，素材取自 [HP98] 与 [Lin97]，AI 智能体负责编写、审查和维护 Lean 代码，并提供 just cache、just axiom-audit、算术理论 Zoo 图等工具。项目采用 Apache-2.0 许可证。
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。
qiskit-community 开源 qcode-discovery 仓库，通过 OpenEvolve 与 LLM 集成组成的进化循环搜索双变量自行车（BB）及扰动 BB（PBB）量子 LDPC 码，候选码经 GF(2) 秩、BP-OSD 距离估计和 MILP 精确距离的多级评估级联打分，以 FOM=kd²/n 排序。该仓库支撑两篇论文：weight-6+ 码的 5 轮 campaign 发现 465 个码（arXiv:2606.02418），weight-5 码的 4 轮 campaign 保留 1,142 个提案（arXiv:2610.06623）。
腾讯推出 TGR-EvoDAG，一个面向生成式推荐（GR）的多智能体代码演化框架，将代码演化建模为 DAG 以维护多条演化分支并合并互补创新。该框架引入阶段感知成本规划与主动下游协同适配，在 Amazon 公开数据集上离线指标最高提升 37.4%，Agent4Rec 模拟用户满意度提升 19.7%。在腾讯大规模商业媒体平台部署中，演化后的 GR 离线 Hit@1 相对提升 12.16%，线上 CTR 统计显著提升 0.40%。
研究者提出 CAKE，一个面向 Ascend NPU 可部署自定义算子的 CANN 原生系统，结合自适应多 DSL 路由、生成与进化双模式及 CAKE Book 知识复用。在 Ascend 950PR 上 53 个 CANN-Bench v1.1 算子测试中，CAKE 标准集用例通过率 100%（1,060/1,060），隐藏集 98.28%（4,167/4,240），相对基线平均 1.334× 加速；Evolution 模式使 EngramGateFusion 聚合设备时间降低 46.6%。
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。
开源工具包 OpenSocialScience 发布 v0.1，可在 Claude Code、Codex 等 Agent 内运行，输入研究方向与数据后依次完成文献检索、选题、计量分析、写作和跨模型审稿，导出符合目标期刊格式的 Word 稿件。该版本支持《社会学研究》《管理世界》《中国社会科学》等中文期刊样式，内置 QoG、V-Dem、GSS、CGSS 数据集，采用 Apache 2.0 许可证，稿件统计数字由 results.json 自动填充以防止手输出错。
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。
天体物理领域新开源项目 ASTRA 上线，定位为受 AGI 思路启发的自主假设生成与验证框架，代码量约 320,000 行、520+ 个 Python 文件。系统集成因果发现、MAML 元学习、群体智能与理论引擎，内置 75 个天体物理领域模块（含星际介质、恒星形成、系外行星、引力波、宇宙学等）。测试显示综合系统测试 18/18、领域能力测试 75/75 全部通过，仓库已发布于 GitHub。
sproutagentai 开源 MEVHOOD 仓库，其研究智能体 Mevy 对 Robinhood Chain / Uniswap v3 公共报价做块锚定观察，将候选策略与冻结对照在相同数据上配对实验，提出经人工审批的有界策略改动。研究战役持续至 2026 年 10 月 28 日 18:21 UTC，三份自动 OpenAI 报告均返回 NO_CHANGE，合约未部署，livePromotion 保持 DISABLED，仓库明确声明未建立盈利改进与七日正常运行时间。
GEAR 项目发布论文网站，介绍其用于 LLM Agent Harness 递归自我改进（RSI）的开放通用进化架构。该网站为纯静态站点，无构建依赖，由 GitHub Pages 发布主分支根目录，可用 python3 -m http.server 本地预览。Remotion 动画源文件随主 GEAR 项目维护于 media/gear-loop/src/paper-site/ 目录。
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。
GuideEvolve 是一个结合专家引导与 3Ts 机制（Think Fast and Slow、Throwback、Termination by choice）的自进化智能体框架。在 MGSM 上达到 89.8% 准确率（Gödel Agent 为 90.6%），MMLU 上 89.1%（对手 87.9%），方差降低 25-59%。其进化成功率达 100%（基线 82%），优化迭代次数从 30 次降至约 15 次。
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。
GitHub 仓库 roshpinacare-sys/execution-fabric 是一套自主任务执行系统：任务经 API 派发，后台常驻 worker 每 5 秒 tick 循环执行真实 LLM 调用（不做模拟），每条结果用 sha256 哈希链式签名入账本。系统提供 POST /api/batches 并行批量派发、计数预算 12/小时，任务类型为 CODE/AUDIT/PLAN，Git 侧内置 leak-scan 泄漏扫描并禁止 force-push，推送到账本的代码需所有者批准。
pi2 是基于 Pi Durable 的 Harness² 实现：给它一个任务和工作区，它会执行任务并提议改进 harness，在新的工作区副本上测试每次改动，保留最优结果并记录经验供后续任务使用，不改动模型权重。需 Node.js 22.19 或更新版本，通过 npm 安装运行，用 PI2_MODEL 或 --model 指定模型，状态保存在 ~/.pi2/，不会写回原始工作区。该项目改编自 Google 的 Harness²（Apache-2.0），Pi 依赖包为 MIT 许可，插件和脚本以本地代码运行，pi2 本身不是沙箱。
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。
xuen 是一个 TUI 研究循环工具，只调用外部 agent（如 opencode）完成思考：每轮从词库纯随机抽取灵感词拼入提示词，由 agent 覆盖想法区/产物区。轮次守卫默认启用，每轮快照候选并经测试（pytest/make/npm/go）或用户/AI 评分验证后才晋升最佳，失败即还原；支持 inf 无限循环，prompt.max_state_chars 默认 60000 限制提示词增长。
GitHub 新仓库 AutoQuant 是一个把已发表的量化研究观点转化为清晰、可证伪回测的研究工作区，首个研究管线为 Quantocracy Lab。该管线用 Python 从 Quantocracy、Cboe Insights 和 arXiv 收集文章与论文，经 LLM 提示词评估可回测性后转为策略规格，再以隔离进程、超时受控的方式批量回测，各阶段独立且可断点续跑。可复用资产包括 Python 管线、LLM 提示词、策略规格模板和示例策略，数据源、价格缓存与生成报告均不进入 Git。
一个基于 Claude Code 的自主研究循环正在尝试破解 CIA 总部 Kryptos 雕塑未解的第四段密文 K4，每次实验预先登记假设、在冻结 harness 上运行并保留完整记录。截至 2026-10-18 已完成 12 个密码族 198 次实验、16 次 pivot，尚未破解；成功标准是可复现程序将 97 字母密文还原为含 EASTNORTHEAST 与 BERLINCLOCK 的英文并可正向再加密。
一项研究提出用 LLM 驱动的进化程序搜索来改进生成式检索（GR）中的语义标识符设计，据称是该方法首次应用于 GR。框架使用本地部署的开源 31B 模型变异可执行组件，并以 1M 参数代理解码器替代反复训练 1B 目标生成器提供快速反馈，代理与目标 Recall@100 的 Spearman ρ 达 0.90。在 NQ320K 上，联合进化 SID 构建与碰撞处理将 Recall@1 从 55.8% 提升至 59.3%，Recall@100 从 85.8% 提升至 90.6%。
Ornith 团队发布 Ornith-1.5-122B，一个基于 Qwen3.5 与 Gemma4 继续预训练、mid-training 和 post-training 构建的 122B 模型。该模型将自我改进循环从 scaffold 与 rollout 优化扩展到联合优化任务生成、scaffold 构建和解题 rollout，通过强化学习持续生成新训练任务并改进策略，不依赖人工策划的固定任务集。
ewa396 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四级：AutoResearch Loop、带结构化反馈的 Feedback Loop、可重写自身源码的 HyperAgent Loop，以及代码 Agent 与测试 Agent 对抗共演化的 Arena Loop（含 1v1 和 4 Agent 锦标赛两种形态）。
Daan75002 在 GitHub 发布 self-improving-agents 仓库，把自我改进代码智能体分为四级，从 AutoResearch Loop、结构化反馈循环、重写自身源码的 HyperAgent Loop，到代码智能体与测试智能体对抗共演化的 Arena Loop。实验显示固定基准会造成虚假信心，三级方案在 email validation 原测试得 90-100%，换到对抗测试套件降至 62-66%，而 Arena Loop 保持 70%；Feedback Loop 在性能与成本上最划算，每个任务 $0.03 仅为 Arena Loop 的约 1/20。框架支持自定义任务、断点续跑，完整结果见 experiment-results.md。
RanchoTao 发布 MathForge，一个以“先验证、后宣布”为原则的研究型数学探索框架，支持人类研究者、语言模型与形式化证明助手协作，区分生成假设与已确立结果。目前该仓库为私有预发布状态，截至 2026-10-20 仅包含品牌资产、文档、经审阅的合成 CORE 源码及 CI 工作流（PR #1），未来 Core 计划采用 Apache-2.0 许可开源，但版权清理仍在进行中。
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。
GretaHall62 在 GitHub 发布 self-improving-agents 仓库，将自我改进代码智能体分为四级：AutoResearch 循环、带结构化审稿反馈的 Feedback Loop、重写自身源码的 HyperAgent Loop、以及代码智能体与测试智能体对抗共演化的 Arena Loop。实验显示固定基准造成虚假信心，Level 1-3 在邮件验证原始测试上得 90-100% 但在对抗套件上降至 62-66%，Arena Loop 稳定在 70%；Feedback Loop 是性价比最优，在 support 任务上与 Arena Loop 得分相近但成本低约 20 倍（$0.03 vs $0.63 每任务）。
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。
同一新闻，精选展示《geraldduong096 开源 self-improving-agents 框架，分四级实现自我改进代码智能体》
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。