新闻、仓库与研究，按时间排列。
Guruvignesh R M 发布的 M.Tech 研究工作流仓库，用 LLM 对运动感知去模糊与视觉感知文献做筛选和映射：4,642 条 Scopus 记录去重为 3,799 条，经 LLM 筛选保留 1,947 篇（KEEP/MAYBE/REJECT 为 1,054/893/1,852），再通过 768 维嵌入、UMAP 和 HDBSCAN 划分为 31 个簇及 468 条噪声记录，最终产出 45 篇阅读清单。历史脚本使用 gemma-4-26b-a4b-it 做筛选与主题摘要、gemini-embedding-2 做嵌入；仓库附带发布脚本 SHA256 与离线验证记录，但历史 API 流水线未重新运行。
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。
ArXiv-Agent v1.0 是一款帮助用户检索和阅读 arXiv 论文的工具，现已在 GitHub Releases 提供下载，支持 Windows 10+、macOS 10.15+ 和 Linux。主要功能包括智能搜索、阅读模式、引用生成工具和自定义设置，还可保存书签并分享论文链接，最低需要 2 GB 内存和 200 MB 磁盘空间。
JANUS 是一个长时程自主研究框架，通过协同进化的世界模型驱动 Predict-Verify-Evolve 循环，在执行前预测候选方案的价值增益、信息增益与探索效用，从而选择、优化或剪枝分支。反馈后经验被蒸馏为研究智能体技能、世界模型探索策略技能及协调协议，实现持续共同进化。在 MLS-Bench-Lite 和真实研究任务上的评估显示，JANUS 在进化效率和上限上均显著超越 SOTA 基线。
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。
研究团队提出 MindFlow 框架，将科研想法生成显式建模为由模块化思维算子构成的图结构 Flow，并用概率化 mind supernet 表示。给定研究主题后，控制器动态采样思维流生成候选想法，通过锦标赛式相对排名优化，逐步偏向高质量思维流。该框架还引入同时评估问题发现与问题解决的评测协议，在多类主题上展现出显式、可控、可优化的优势。
Zijun Wang 等人在 arXiv 发表论文，研究语言模型作为 Research World Models（RWM）预测候选实验干预的结果。评测基于九个研究环境、2600 多条实验记录，涵盖预训练、后训练和推理，超过 171,000 H100 GPU小时；真实实验经验使 RWM 对同环境未见干预的预测提升 Spearman +0.27，OLMo3、Marin、Nanochait 预训练经验可将 Qwen3 环境的选择遗憾降低 78%，多轮 Autoresearch 固定预算下环境内与跨环境知识分别提升最佳收益 15.8% 和 11.6%；13 个模型的消融显示加入研究知识比换模型或增加推理力度更能改善干预排序。论文链接 https://arxiv.org/abs/2610.12235v1
推荐理由：论文用九个环境、超过17万H100 GPU小时的实验记录检验语言模型预测研究实验结果的能力，并给出跨环境复用收益的量化结果。
研究者提出 LLM-BlockFE，一个 LLM 引导的离线特征构建框架，通过增量拼接不可变代码块并搜索可执行特征程序，将长文本转为结构化特征，避免在线推理时调用 LLM。该方法引入基于深度校准信用分配的块级回滚机制和交错多轨迹搜索。在两个公开和两个私有数据集上，AUC 较最强基线绝对提升 0.0069 至 0.0358；五个已上线的金融风控应用监测显示 KS 较现有人工策略绝对提升 0.02 至 1.56 个百分点。
GitHub 仓库 MoriochoRadio/ai-news-curation 发布了一个完全免 Key 的 AI 新闻自动策展项目，每日从 HackerNews、ArXiv、GitHub 三个免费来源收集趋势、论文和开源项目，生成静态订阅页面并部署到 GitHub Pages。运行由 GitHub Actions 每天 KST 07:23 自动调度，仅依赖 pyyaml，可通过 OPENROUTER_API_KEY 可选启用 LLM 韩语一行摘要，无 Key 也能正常发布。
GitHub 上的 ResearchForge 是一款开源本地工具，用自主 AI 智能体将复杂主题转化为结构化研究报告，涵盖任务规划、网络搜索、信息分析与报告生成四步。软件支持 Windows 10/11，需 8 GB 以上内存和 500 MB 存储空间，报告本地存储、个人使用免费，目前不支持 Mac。
arXiv 论文提出 E-Ledger，一个用于安全持久执行的多智能体框架，包含执行前策略审查的代码审批层和记录隐藏规则与动态状态的世界账本。配套的 WorldAbduct 框架通过四个视角诊断执行轨迹、以溯因交互验证潜在规则并纳入账本。在 World of Workflows 基准上，E-Ledger 搭配 WorldAbduct 在四个 LLM 骨干上将安全任务完成率较最强基线提升 5–15 个百分点，并在 ScienceWorld 和 DiscoveryWorld 中验证了迁移效果，代码已开源。
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。
Xing Zhang 在 arXiv 发布论文（arXiv:2610.11464），提出把 verifier 作为进化对象，用小型确定性 drawback 检测器组合、出生门控和十项锚定参照集加共识来选择，而非以 agent 分数为准。MBPP+ 上比手写种子组合提升 +0.21 held-out agreement；实验发现移除锚定守护会退化为永远通过的空 grader，但下游任务分数不变，说明任务分数无法认证自进化 verifier；其 Double Ratchet 方案在代码生成、text-to-SQL 和报告生成上保留 88-110% 的基准提升。论文已被 NeurIPS 2026 Workshop 收录。
推荐理由：论文用锚定参照集与共识验证协同进化的 verifier，并指出仅靠下游任务分数无法证明其可靠，方法可迁移到自我改进 agent 的评测设计。
一篇 arXiv 论文提出 Incremental Open-Ended Deep Research（Incremental-OEDR），将研究报告视为可演化的研究状态，通过保留有效知识、修订过时内容并纳入新信息进行增量更新，而非从头生成报告。配套提出的 Structured Harness 将报告表示为大纲、章节和证据的结构化集合，提供结构化检索、持久化证据池与结构化生成。在覆盖十年的 DeepResearch Bench 与 DeepConsult 评测中，该方法相比 OEDR 在 DeepResearch Bench 上最高提升 0.51 的内容级 ROUGE-L F1、0.63 的大纲级 EM F1，并降低 33% token 消耗和 61% 搜索调用次数。
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。
作者开源了 HagaiHen/podcast-wiki，一个用 Claude Code 搭建并维护的播客知识 wiki。流水线通过 MCP 读取已听过的 Spotify 节目，优先取官方文字稿，否则用 mlx-whisper 本地转写，再由 Claude 按主题合成概念页、保留嘉宾分歧观点并生成行动清单。仓库为纯 Markdown，支持 Obsidian 图谱，可作 Claude Code 插件安装，需 macOS on Apple Silicon、uv、ffmpeg 和 Spotify 账号，raw/ 转写稿保留在本地不入库。
Ezharjan 开源了 DailyLLMAlignmentArxiv，一个通过 GitHub Actions 全自动追踪 LLM/VLM 对齐与 AI 安全 arXiv 论文的系统。它每 24 小时抓取最新论文，按 12 个研究领域、150+ 对齐关键词过滤并自动分类，支持附代码仓库链接、JSON 导出和带搜索的网页展示。用户可通过 YAML 配置自定义主题、论文数量和更新频率，并部署到 GitHub Pages。
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。
GitHub 开源项目 LLM-DailyDigest 自动爬取并整理 LLM 领域论文、开源工具与行业动态，生成带中文摘要的每日日报，并按主题与研究项目自动聚合。项目基于 Hugo 搭建站点，后端采用 Flask 提供 LLM 字段抽取，支持 /batch/new 批量录入（默认 100 workers 并发）、/recommend 每日推荐、/merge 主题合并与 /dedup 条目去重，LLM 网关默认模型为 gpt-5.6-sol。
MassEast 发布开源自托管文献综述助手 paper-agent，可并行追踪多个研究项目，每夜定时抓取 arXiv 和 Semantic Scholar，用 LLM 筛选相关论文并生成摘要、Figure 1、引用数和作者机构，新论文入库并邮件通知。
推荐理由：作者给出了从抓取、筛选到部署备份的完整做法和全部 Prompt 模板位置，读者可以照着把文献追踪流程搬回自己的环境。
MarbuelB 在 GitHub 发布 AI-Forge-Research-Edition，一个零信任多智能体框架，让 AI 通过 MCP 动态编写、编译并执行自己的多语言工具（Python、JavaScript、TypeScript、Rust、C++）。系统将 Brain、Coder、Summarizer、Adviser、Analyst、Architect 等角色分工，运行在加固的 WSL2 加 rootless Podman 沙箱内，提供持久会话、GPU 直通、工具注册表、循环熔断、上下文压缩和 LiteLLM 代理路由等机制，可充当自主研究员完成爬取网页、下载数据、训练模型和生成报告等任务。
synthetic-sciences 发布开源科研 Agent 工作台 OpenScience（Apache-2.0），用自然语言下达目标后可读文献、写代码、跑实验并输出带完整步骤记录的结果。支持桌面、浏览器和终端三种形态，内置数百个覆盖生物、化学、物理和 ML 的技能，连接 ChEMBL、UniProt、PubMed、arXiv 等数据库，含十个 NVIDIA BioNeMo NIM 适配器；可自带 API key、本地模型或用 Ace 按量付费。基准成绩：Terminal-Bench Science 53/70（75.7）、BiomniBench-DA 82.2、Terminal-Bench 4.0 科学子集 10/14，各次试验的 trace 公开在 benchmarks-openscience 仓库。
推荐理由：开源科研 Agent 的完整工作台说明，附 Terminal-Bench Science 等成绩与可核验 trace，适合了解科研自动化工具的实际形态。
DaizeDong 发布 market-intel 插件，将商业调研主题分诊到 15 个数据领域，自动检测当前 Claude 或 Codex 会话中的可用信源并指导安装，实际检索与综合委托给已有的 deep-research / research-lit 框架。项目提供信源矩阵、四级障碍路线和引用验证、双独立信源、反向搜索等质量守门规则，可通过 /plugin install github:DaizeDong/market-intel 安装，定时刷新已于 2026-10-01 停用，改为手动刷新。
推荐理由：作者把信源分诊和安装检测做成薄层，复用已有研究框架，并给出15个领域的信源矩阵和质量守门规则。
Prime Agent 是 Prime Intellect 开源的终端编码/研究智能体，核心抽象为把上下文当变量、递归子代理当函数调用的 RLM，以及可自我精炼的 Continual Harness。本仓 Dmatut7/prime-agent-rlm 是非官方独立维护线，已同步到上游 0.9.x 线（d74a75fea，40 个上游提交），并做了多项性能与正确性优化：修复子代理每 token 全量重扫后，worker 从 228% CPU / 2GB 内存降下来；中文宽度缓存改为按 400 万字封顶，解决超过 512 条后每行约 9.6µs 的慢约 950 倍问题。改动以单向同步为主，不向官方推送。
Signalgraph 是一个自主研究引擎，每日阅读一手资料，维护 claim 级知识图谱，只发布可验证的内容，每条事实性句子都可溯源并审计。其公开站点 pank2015/signalgraph-site 基于 Astro 静态站加 Cloudflare Worker 构建，内容由私有引擎以 pull request 形式提交，经七项 grounding 检查和人工审核后上线。站点采用 dark-first 设计，Flowkit 图表在构建期用 dagre 渲染为静态 SVG，文章页 JavaScript 少于 60 KB。
EverMind 在 GitHub 开源 Raven，一个生成 DAG、编排多个专用智能体的 harness of harnesses，主打递归自改进（RSI），Apache 2.0 许可，当前为 pre-alpha。内置 Raven-Research、Raven-Code、Raven-Design、Raven-Oncall 四个智能体，可将智能体循环拆成 Memory、Planning、Capability、Action 四个解耦模块，由 Curator 重写这些模块并仅在通过验证后安装；Evolver 对照基准评估候选 harness 改动。
推荐理由：官方仓库详细说明了四模块解耦的 Agent 循环和带验证门槛的 harness 自进化机制，想了解递归自改进工程做法可以参考。
GitHub 仓库 ggfgfgf-on/dsh-trajectory-anchor 发布 0.5.0，是一个自包含的 DeepSeek Harness 插件包，集成首轮轨迹锚定、EWMA 轨迹评分、anchorGate 晋级门控、bootstrap 上下文抑制和 Layer-4 训练数据导出，一行命令安装且零社区插件依赖。校准显示词法漂移信号召回率仅 0.8%–4.3%、精确率低于 19.2% 随机基线，词法信号在 α=0.001 时会话级误触发率 15.9%，因此 rollback 与 notify 默认关闭，随附 responsePolicy. 判定 FAIL、零能力通道，插件默认仅观察与审计。
GitHub 仓库 v3c70r/agent-dev-team 把一个仓库变成自治开发团队：提 issue 后回复 /approve，即由 Agent A 实现、独立模型 Agent B 审查（默认 zai-coding-cn/glm-5.3）、Agent C 构建测试后自动合并，全程基于 GitHub Actions 和 tmux supervisor。模板来自两周真实生产运行，自动完成 20+ 个 issue，13 类真实事故的修复已内置；另含可选 PM Agent 自动提案与筛选，模板本体为 bash/node/gh/YAML，与 harness 无关，MIT 协议。
推荐理由：模板来自两周真实生产运行，内置13类事故的修复规则，想搭自治开发流水线的读者可以直接复用这些踩坑经验。
GitHub 上的 Finite_element_analysis_project 是一条由 LLM 全程编写代码与文档的自动化管线，用于撰写有限元方法（FEM）技术指南，人只负责设定目标与审核。管线按 RESEARCH、EXTRACT、WRITE、ASSEMBLE 四阶段循环运行，WRITE 阶段最多 5 次 LLM 调用，依据 eta 指标分数（默认权重 w_L=0.4、w_U=0.4、w_A=0.2）选择需要重写的章节，标记章节覆盖总 eta 的 75% 以上。它还通过 Wikipedia 分类与 LLM 两条证据轨道发现知识缺口，按计划定时运行并在多轮循环中自我改进。
OpenDCAI 开源了 LoopAI，一个让 LLM 在领域场景中自进化的闭环优化框架，把优化流水线重组为 Graph/Node/State 的节点化执行框架，覆盖评测、错误分析、数据获取到再训练的全流程自动化。v2 版本引入基于 codex-sdk 的 Starter，支持会话连续性、流式反馈和可配置模型池，可将对话意图转为可执行的优化工作流；核心节点包括 Judger（vLLM 评测）、Analyzer、ObtainerCLI/DataMixer 数据处理和 Trainer（支持 LLaMA-Factory 或 verl 训练），支持 human-in-the-loop 干预，采用 Apache 2.0 许可证。
推荐理由：原文给出了从评测、错误分析、数据获取到训练的完整节点化架构与部署细节，读者可以了解一条用自然语言驱动的模型优化闭环怎么搭。
一项 arXiv 研究提出基于反思进化（ReEvo）的模因算法，用于解决流体天线系统（FAS）的安全端口选择问题，防范窃听。与现有 LLM-GA 仅用 LLM 设计交叉或变异算子不同，该算法让 LLM 离线进化出交叉、变异和局部搜索三类算子，嵌入模因搜索框架后执行时无需在线调用 LLM。相同代数下仿真显示，其安全和速率高于传统 GA 及现有 LLM-GA。
一篇 arXiv 论文提出“稀缺性反转”：当机器系统在文献综合、假设生成、软件开发、仿真与分析等可计算的科学工作中优于人类时，科学将转而受实验、观测、可靠结论与问责性机构权威等稀缺资源约束。论文分析选择、物理接入、验证与组织选择四个方面，并指出国家实验室应通过受控实验、受保护数据和专家判断把充裕的机器推理转化为可信结果。
TestGRAD 是一个用于 SWE-agent 集成的自动测试优化框架，将基于测试的补丁选择建模为测试空间优化，核心包含差分损失、全 CRUD 梯度和失败模式动量三个机制。在 SWE-bench Verified 上，TestGRAD 采用 4-agent 集成达到 84.2% Pass@1，超过最强基线（80.6%）3.6 个百分点，同时将失败历史上下文压缩超过 100 倍。
arXiv 论文以一个人工主导、智能体工程化的量化交易系统为案例，考察生产 ML 系统中的“结果—诊断鸿沟”：该账户一年内盈利并跑赢大盘指数，但主回溯口径下年度 alpha 与零无统计学差异，且推荐到运行时的完整绑定记录缺失，无法确定唯一原因。论文区分冻结实例、预定义自适应流程与临时开发，提出证据层级和一个前瞻性生产绑定协议，强调外部反馈只能约束结果声明，诊断分辨率取决于溯源信息。
一篇 arXiv 论文提出“研究者社会”框架：在显式制度下组织由数千个持久自主研究智能体组成的种群，由首席研究员通过提案申请、独立评审和资助竞争算力，人类“市长”只分配资源、不指派任务。在一个运行中的一万名研究者的社会里，智能体被要求改进语言模型预训练，其中一个实验室报告可用约 30% 更少的算力达到同等质量，但测试该结果的实验室尚未达成一致。作者还提出六个开放问题。
研究提出 AnchorLoop，在自进化工具集成智能体训练中引入上一轮 Executor 的冻结副本作为历史参照，为 Executor 提供跨参照优势、为 Curriculum 提供基于一致性差异的任务选择信号。在 13 个推理 benchmark 上，AnchorLoop 较 Agent0 在数学推理上提升 2.5%、通用推理提升 2.8%，且在后期能继续保持改进，而未锚定的基线收益递减。