新闻、仓库与研究，按时间排列。
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。
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。
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 上的 Sentinel 是一个反欺诈规则安全测试平台：构建含 200 个账户、9,691 笔交易的合成银行，由 Red 智能体发起攻击、Blue 智能体提出新规则 R4，并由确定性代码在 500 户正常家庭与 48 次攻击的留出集上评分。演示轮中规则从捕获 8/48（17%）提升到 32/48（67%），无误报增加，红蓝智能体目前为无 LLM 的 stub，规则变更需人工批准。
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。
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。
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。
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。
开发者在 8GB VRAM GPU 上从零训练 mini-AGI（动态持续学习模型）一个月，并公布基准测试结果。测试对比了 frozen 与 best effort 两种模式，后者允许模型在评测数据集上随任务特化，展示了一般 LLM 不具备的持续学习能力。项目完整代码和权重已在 repo 公开。
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。
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。
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）。
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。
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。
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。
GitHub 上新开了一个名为 Fyosamu/thumb-bot 的仓库，包含 bot、factory、projects、state、yt_auth 等目录，以及 BUILDLOG.md、puzzles_pool.jsonl、topics_bio.txt、topics_sci.txt 等文件。正文仅为仓库目录结构，未披露具体功能细节。
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。
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。
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。
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》
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》
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。
quqxui 发布 RSI-Flow，一个外部运行时，用任务经验来构建和评估对 Agent 提示词、工作流等可编辑产物的改进。它按固定评测协议对比原版与候选版本，采纳通过的修改并支持回滚，改进流程分六个阶段，任务执行、提案生成和评测使用独立组件，已集成 Pi、DeepSeek Harness、Harbor / Terminus-2、Codex，采用 MIT 许可证。
推荐理由：README 说明了基于任务经验的六阶段改进流程与评测对比、回滚机制，读者可以据此评估是否复用到自己的 Agent 工作流。
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。