新闻、仓库与研究，按时间排列。
一个收录自主研究系统、自我改进与 RSI 方法、研究组件及评测环境的精选资源列表，共收录 24 个项目，采用 CC0 1.0 许可。列表按项目角色分类，可按改进目标、研究阶段和领域比较各机制，其中 RD-Agent、RRSI、Agent Lightning 等多数项目采用 MIT 或 Apache-2.0 许可，HyperAgents、IdeaScientist 等标注为 Restricted source。
Wangcheng Tao 等发布 arXiv 论文 Skill$^\infty$，提出元 Agent 按元技能优化任务技能、并用同一流程优化元技能自身，使技能优化递归自我改进。元 Agent 诊断执行轨迹、提出候选、请求独立评审并分配搜索预算；元技能在多个任务上精炼后跨领域复用。在 SkillsBench 83 个任务上 pass rate 达 60.7%，高于人工精选技能的 56.4% 和 SkillEvolver 的 54.5%。
推荐理由：论文把技能优化本身也编码为可被改写的元技能，给出 83 个任务上与人工技能和 SkillEvolver 的对比数据。
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。
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。
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。
kolezka 发布 Claude Code 插件 self-improvement-loop，会话 hooks 记录事件，后台 worker 对会话做反思，同一模式出现 3 次即触发 curriculum 在分支上起草技能、hooks、规则或 agent，经人工接受后注入后续会话并按使用评分。支持 Claude Code、Codex 和 OpenClaw 三种宿主，模型调用仅走本地配置的 OpenAI 兼容端点、claude CLI 或 system-one API，温度固定为 0，MIT 协议开源。
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%。
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%。
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。
论文提出 HGM-Dual，一个面向规划智能体的诊断引导式 harness 进化框架，将智能体进化表示为谱系感知上下文，并采用错误条件下的双路径子代生成。该方法在 case accuracy 上较最强基线最高提升 14.45%，并以 2x-4x 更少的评估预算达到 HGM 变体的最终性能。
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。
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。
renard8220 在 GitHub 发布 self-improving-agents 仓库，把自我改进代码 Agent 分为四级：AutoResearch 循环、结构化反馈循环、自改写源码的 HyperAgent 循环、以及代码 Agent 与测试 Agent 对抗共进化的 Arena Loop（含 1v1 和 4-agent 锦标赛）。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% 但在对抗套件降到 62-66%，Arena Loop 稳定在 70%；Feedback Loop 性价比最好，snake 得 31.1 分且每任务成本 $0.03 仅为 Arena（$0.63）的 1/20。
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。
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》
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。
Alekseev3387 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四个层级，从最简单的 AutoResearch Loop 到带自我改写与对抗共演化的 Arena Loop。实验显示固定基准会制造虚假信心，Level 1-3 在 email validation 原始测试上得 90-100%，换到对抗测试集跌至 62-66%；Feedback Loop 是性价比最好的方案，赢下 snake（31.1 vs 29.2）且每任务成本仅 $0.03，约为 Arena 的 $0.63 的 1/20。框架任务无关，支持自定义任务、checkpoint 恢复和全部实验一键复跑。
同一新闻，精选展示《alambert996 开源自我改进代码 Agent 框架 self-improving-agents》
laylarivera889 在 GitHub 发布 self-improving-agents 仓库，提出从 AutoResearch Loop 到对抗 Arena Loop 的四级自我改进代码 Agent 框架，并给出 Snake、客户支持、邮件验证三任务的对比实验。关键发现包括固定基准造成虚假信心（Level 1-3 在邮件验证原始测试达 90-100%，对抗测试集降至 62-66%），Feedback Loop 性价比最佳（支持任务 72.86 分，成本 $0.03，为 Arena $0.63 的 1/20），Arena Loop 随测试集增长鲁棒性持续提升。框架支持 checkpoint/resume、自定义任务和 LLM-as-judge 评分。
GitHub 新仓库 self-improving-agents 将自我改进代码 Agent 分为四级：AutoResearch Loop、Feedback Loop、HyperAgent Loop 和对抗共演化的 Arena Loop。实验显示固定基准会造成虚假信心——Level 1-3 在邮件验证原始测试得分 90-100%，但在对抗测试集降至 62-66%，Arena Loop 保持 70%；Feedback Loop 性价比最优，snake 得 31.1 分且每任务成本 $0.03，仅为 Arena Loop（$0.63）的 1/20。仓库基于 Gemini API，支持 checkpoint/resume。
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。
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。
nayeon22419 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四级：AutoResearch Loop、Feedback Loop、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。实验显示固定基准下 Levels 1-3 在 email validation 原测试达 90-100%，换到对抗测试套件跌至 62-66%，Arena Loop 保持 70%；Feedback Loop 性价比最好，snake 得分 31.1 胜 Arena 的 29.2，成本仅 $0.03 对 $0.63 每任务。
agutierrez071 在 GitHub 开源 self-improving-agents，把自我改进代码智能体分为四级：AutoResearch Loop、结构化反馈 Loop、可重写自身源码的 HyperAgent Loop、对抗共进化 Arena Loop，并附 snake、customer support、email validation 三个任务的完整实验。
ross2838 在 GitHub 发布 self-improving-agents 仓库，将自我改进代码智能体分为四层：AutoResearch Loop、结构化 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。实验显示固定基准易被刷分，Levels 1-3 在 email_validation 原测试上达 90-100%，换对抗测试后降至 62-66%，Arena Loop 保持 70%；Feedback Loop 以 20 倍成本优势（每任务 $0.03 vs $0.63）取得与 Arena 相近的成绩。仓库支持自定义任务、checkpoint/resume，可用 GEMINI_API_KEY 运行全部实验。
ayse31 在 GitHub 开源 self-improving-agents，将自我改进代码 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。实验显示固定基准会造成虚假信心，Level 1-3 在 email validation 原测试上得分 90-100%，在对抗套件上降至 62-66%，Arena Loop 保持 70%；Feedback Loop 性价比最优，snake 得分 31.1 超过 Arena 的 29.2，成本仅为每任务 $0.03 对 $0.63。
开源工具 Whetstone（PyPI 包名 whetstonehq，v0.3.0 起）在本地夜间循环中生成候选补丁，通过沙箱内重跑测试而非模型打分来验证，仅保留通过项并用 LoRA 训练本地基座模型，防 reward-hacking。项目仍处 pre-release：夜间循环仅跑过一次（night #1，496 rollouts、26.6 小时），训练步在写入 checkpoint 前报错，尚无训练出的模型，所有产品主张均未实测。
GitHub 开源项目 Civilization Spark 是一个 C++23 多智能体 LLM 实验台，13 个因子共享同一个 llama.cpp 模型和 KV 上下文，各自绑定不同的 AI 学习路线，通过辩论、学习、淘汰和重生探索“何为生命第一因”。项目采用 KFL-M v4 压缩通信、PostgreSQL 18 持久化和自定义 CUDA kernel，在 RTX 3060 Laptop 6 GB 上 13-Agent 单轮推理约 1.4–2.0 秒，22 项核心单元测试全部通过，代码以 MIT License 开源。
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。
Zachary1850 在 GitHub 开源 self-improving-agents 仓库，把自我改进代码 Agent 分为四级，从 AutoResearch Loop 到带自改写 Agent 的对抗 Arena Loop。实验显示固定基准会制造虚假信心，Level 1-3 在邮件验证原始测试上得 90-100%，在 Arena Loop 对抗测试集上跌至 62-66%，而 Arena Loop 保持 70%；Feedback Loop 在 snake 任务上以 31.1 分胜出且成本仅为 Arena 的 1/20（$0.03 vs $0.63 每任务）。框架支持断点续跑、自定义任务，全部实验可用 python run_all.py 一键复现。
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。
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。