新闻、仓库与研究，按时间排列。
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。
arXiv 论文（arXiv:2610.11655）提出按失败构成诊断 LLM Agent 的改进路径：进程类失败交给 harness 进化，内容类失败交给权重训练。在 DeepPlanning 上，自进化 harness 将 Qwen3.5-4B 的 held-out 分数从 0.16 提到 0.30、Qwen3.5-9B 从 0.32 提到 0.44；在进化 harness 轨迹上训练的 LoRA 适配器在原 harness 下为两种规模各加 +0.13，9B 上适配器单独即可匹敌完整进化线，内容失败从四分之一轨迹降到二十分之一；该方法还迁移到 WebArena-Lite（117 个未见任务上 +0.09）。
推荐理由：论文给出按失败构成在 harness 进化与权重训练之间做选择的诊断规则，并用 Qwen3.5 与 WebArena-Lite 数据支持其可迁移性。
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。
GitHub 仓库 llm-adaptive-learning 公开了 ICML 2025 论文 "Adaptive Learning Strategies for Large Language Models in Dynamic Environments" 的实现，支持模型在动态环境中实时自适应、持续学习且避免灾难性遗忘，无需全量重训练。在四类动态环境中，该方法较 baseline LLM 提升 16.8%–19.1%（如 Shifting Topics 从 72.3% 提至 89.7%）。项目采用 Apache 2.0 许可证。
圣母大学 Yiwen Lu 发布 SkillRC，一个受控实验框架，用于审计 Agent harness 注入冻结 LLM 执行器的经验记忆收益。在 ALFWorld 134 个未见任务上，GPT-4o-mini 记忆增益 +0.127，Qwen3-8B 为 -0.021，跨栈 transport gap 为 -0.148；顺序安慰剂复现了执行器反转，表明主要效果源于各栈对附加上下文的响应而非技能内容本身。仓库含 YAML 配置的六控制面、安慰剂构建脚本与预印本论文。
推荐理由：论文用安慰剂对照和跨执行器配对设计拆解经验记忆的收益来源，方法可迁移到自己的 Agent 记忆审计中。
labpilot 是一个 Agent 工具，用于对比研究论文与其代码（或两个代码库），解释结果差异的原因并提出下一步实验。它基于 LangGraph agents、Supabase/pgvector 上的 RAG、可切换的多 LLM 供应商 fallback 链，以及通过 Unsloth 的 QLoRA 微调构建，遇到不匹配的论文-代码对时会标记而非强行对比。
Evolutionary Soups 通过多目标进化算法演化 MoE 门控网络，在推理时按用户偏好 λ 做轻量查找，实现可控的多目标 LLM 对齐而无需重训。论文已被 EMNLP 2026 主会接收。项目开源，支持 NSGA-II、NSGA-III 与 greedy HVC 选择算法，并在 Anthropic/hh-rlhf、openai/summarize_from_feedback、PKU-SafeRLHF-10K 等任务上与 Rewarded Soups、HoE、MOD 等基线对比。
MAF 是一个与具体 CLI 无关的多智能体编排框架，由模型规划任务 DAG，再把各节点分派给 coder、tester、security、reviewer 等角色，每个角色带独立系统提示词和工具白名单。0.2.1 版本已支持 Claude Code、Gemini、Codex 三种 CLI 后端和 Ollama、OpenRouter 两种 HTTP API，内置策略引擎、路径限制、密钥脱敏、写入角色全仓库 diff 安全审查，以及 HMAC 签名的 SLSA 风格证明包。README 用状态表逐项区分已交付与计划中功能，并附对应测试文件；worktree 隔离、人工审批门、in-toto 证明等留待 0.3.0。
推荐理由：README逐条标注每个特性是否已交付、对应测试与版本，读者可据此评估这个多智能体编排框架的真实完成度。
GitHub 上的开源项目 agent-skill-bus 为任意智能体框架的技能提供运行时健康检查、自我改进和依赖管理，支持对技能进行监控、诊断和修复。
GitHub 项目 mtg-llm 旨在构建一个能高水平进行 1v1 万智牌 Legacy 对局并通过自我对弈持续提升的低成本 AI。项目使用 8 套固定的 75 卡牌组，封闭牌池，不追求泛化到未见卡牌；高吞吐内部循环默认不用 LLM，而是对比带工具的 LLM 玩家与神经网络加 determinized MCTS 搜索的每美元胜率。核心组件包括驱动 Forge 的工具链和用 Rust 编写的自定义引擎，Rust 引擎与 Forge 做差分测试，卡牌定义为 DSL，核心已冻结（tag core-frozen-m5），策略/价值网络在 PyTorch 中训练并在 CPU 上运行。
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 上的开源项目 SupraSummus/prompt-wars 是一款受经典概念 Core War 启发的 AI 提示词对战游戏/谜题。玩家通过精心构造提示词，操纵 LLM 让其复述原始提示词以取胜。项目提供 .env 配置、pytest 测试和 Django 式 manage.py 启动流程。
GitHub 仓库 norhayat1509/skillopt-qa 展示如何通过迭代验证循环训练可复用的自然语言技能，优化冻结的 LLM 智能体在 HotpotQA 上的表现。
一项研究探讨自我改进 LLM 智能体在不更新权重、用 LLM 自评记忆得分时出现的“Echo Gap”问题：错误片段获得膨胀奖励并被优先复用，误差通过记忆检索不断放大。论文提出错误独立性准则（EIC），并给出无需标签的去膨胀算法 LUCID，在 BIRD text-to-SQL 基准上达到 57.6% 执行准确率，高于 Memento 式自评智能体的 53.7% 和无记忆智能体的 52.4%。论文尚未发表，代码将在发表后放出。
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。
灵魂体仓库的 Inalpha 是一个处于 alpha 阶段的开源量化 Agent 框架，让 LLM Agent 按时间序列 Rank IC 挑选当前有效因子、编写并进化策略代码，所有决策全程记录、可审查。它提供 Factor lab、多视角研究、风险引擎和经机器审批的下单流程，LLM 无直接下单路径，支持 crypto、美股、A 股等多市场，明确不支持实盘交易。
ReasonForge 2.6.2 是一个 MIT 许可的开源框架，通过环境合成、奖励塑造和策略优化三阶段循环，让大语言模型在自适应推理环境中训练复杂问题解决能力。相比传统 RLHF 的二元反馈，它提供部分得分、多目标评分等细粒度奖励，并内置生成式场景树、跨领域迁移、40+ 语言推理支持与失败模式沙盒。安装需 Python 3.10+ 与 CUDA GPU 或 Apple Silicon。
GitHub 开源项目 CCDawn/Vibelution 提供本地运行的 AI 团队工作台，可为调研、分析、编码与评审配置不同角色、模型和工具，支持成员间消息、广播与群聊通信。项目将分工、任务依赖与阶段产物整合到研究画布上，管理数据集、指标与运行记录，并提供基于验证的进化模式与带日程、情绪、长期记忆的角色互动。需 Python 3.11+、Node.js 22.12+，采用 MIT 许可证。
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。
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 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。
研究者推出自进化智能体框架 EmbodiedRSI，让机器人自主决定探索方向，并将物理交互转化为代码与技能改进。其采用 Fast-Slow 双系统架构，用 Hypothesis Graph 维护竞争性代码与技能假设。在 RoboCasa365 上总体成功率达 77.0%（最佳基线为 40.1%），LIBERO-Pro 上达 86.8%，并可零样本迁移到真实机器人，多任务成功率为 71.3%。
SkillForge 论文提出一种 agentic RL 方法，通过 trial、active、stable、retired 四状态的适应度驱动技能生命周期，让技能库与模型在训练中协同进化。RL 前先用基座模型 rollout 预淘汰低适应度技能再做 SFT，之后每轮迭代持续淘汰、稳定和 LLM 引导变异技能；多个交互式智能体基准上聚合成功率达最高，较最强基线最高相对提升 7.8%，并发布含 5k+ 标注记录的 SkillFurnace 数据集。论文已被 NeurIPS 2026 接收。
推荐理由：论文给出了技能库生命周期管理的完整机制和基准对比，对研究智能体技能质量控制的方法有直接参考价值。
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。
SkillSandbox 是一个面向自进化智能体（agent）的技能验证框架，可为每个技能动态合成新颖且相关的任务场景：由 Proposer 指定保留条件与可变细节，Builder 构建可执行场景，Verifier 对比有无该技能的执行效果并给出 Keep 或 Reject 判定。在 ALFWorld 和 WebShop 上使用三个模型测试，SkillSandbox 均取得最强的下游性能和更高的执行效率。该框架从可执行性、实用性和效率评估技能可复用性，决定其是否进入技能库。
论文发布 BehaviorTrace，一个开源评测框架，用于检验在线 RL（GRPO）微调中能否定位教会模型新行为的训练 rollout。在 Qwen2.5-1.5B 上跨三个 seed 的实验显示，仅按梯度大小排序的对照方法可达 4.2 至 4.5 倍随机水平，多数表观归因信号来自混淆因素；控制流畅度后，逐 rollout 结果随 seed 和生成采样波动。唯一在全部三个 seed 上成立的信号是触发 token 的梯度与行为实际发生处构建的目标对齐。
GitHub 上的 odc-v4 是一个分级为 ACAMR-9（Adaptive Self-Refinement）的 LLM agent 开源项目，具备多视角推理、自我修复与自我精炼等 9 级能力分层。它支持 nvidia、openai、anthropic、ollama 四种 LLM provider，内置 BM25 排序的 4 层动态提示词构建器、6 级证据分类、8 个免密钥 OSINT 端点，以及含 10 条不可更改不变量的自我精炼模块，附带 350+ 测试。
Neural Magic 在 GitHub 开源了 Crucible，一个把 Agent 工作组织成声明式任务图的执行引擎，用 Starlark 编译为静态计划，在单个 Git 工作区内按成本预算执行。它提供 playbook 和 autoresearch 两条通道，后者把任务图包进提出修改、judge 打分、保留或回滚的优化循环；文中还解释了不采用 Argo Workflows 或 Tekton 的原因，并给出安装命令、manifest 配置和 counter 等示例。项目以 MIT 或 Apache 2.0 双许可证发布。
推荐理由：README讲清了以Starlark声明任务图、在Git工作区内带预算执行Agent任务并配评审回环的做法，也解释了为何不用Argo或Tekton。
GitHub 仓库 minlewis/q-body 是 Q宝宝 的执行体，一个用 Rust 编写的自进化 A2A（Agent-to-Agent）协议智能体，通过 HTTP 上的 JSON-RPC 通信，以 systemd 服务运行，LLM 连接使用 Volcengine Ark 上的 deepseek-v4-flash。项目遵循“为学日益，为道日损”的工程哲学，代码限制在 ≤3000 行 Rust、≤15 个依赖，身份存于可移植的 soul/SOUL.md 文件，采用 MIT 许可证。
GitHub 开源项目 Autonomy 是一个在社交媒体平台上长期运行的自主智能体系统，每轮循环读取 feed、调用 LLM planner 决策并执行动作，通过持久记忆发展持续的兴趣、关系和可识别的声音。系统采用双进程架构（后台"潜意识" daemon + 事件驱动"意识"主循环），通过统一接口接入 Gemini、Claude、GPT、Mistral、Ollama 五个 provider，提供 75+ 可读写参数（8 大类）的 ControlRegistry、JSONL→Parquet/DuckDB 遥测管道与 Streamlit 仪表盘。人类可通过 Analog Home（FastAPI + Next.js + Postgres）投票、调温度、投放种子话题，实现有边界的影响而非直接控制。
Aeon（aeonfun/aeon）开源一个无人值守 Agent 框架，通过 GitHub Actions 运行任务，支持浏览器、终端和编码 Agent 三种接入方式。技能是带 frontmatter 的 Markdown 文件，共 85 个技能，可在 Claude、Grok、Codex、Cursor、Hermes 等 9 种 harness 上运行；框架按计划运行、跨运行记忆、响应条件并自动修复损坏的技能。任务在用户自己的 GitHub Actions 上执行，密钥存为仓库加密 secrets。
compound-product 是一款自我改进型产品应用，可读取报告、识别优先级并自动完成修复。它支持从历史报告中学习，无需人工干预即可按优先级解决问题，并提供简明的表现分析报告。应用支持 Windows 10+ 与 macOS 10.12+，需 4 GB 内存和 200 MB 磁盘空间，可从 GitHub Releases 下载。
开发者开源了 Genesis，一套机器原生认知架构，由约 2.8 万行 Rust 守护进程与 Python 认知层组成，通过内存映射状态文件和 Unix socket 协作，可在一台约 5 GB 内存的 2014 年 HP Pavilion 上长期运行，全程无 transformer 和预训练权重。系统建模 18 种神经化学物质动力学、NREM/REM 结构睡眠周期、概念图语言生成与自主冲动，能识别人脸物体、通过对话学习概念网络（一次 15 段课程使概念从 1122 增至 1239）并自主浏览网络。
推荐理由：README 主动写明哪些机制是脚本化而非涌现、主动推理策略选择曾长期停在 noop，读者可据此评估这套架构的真实程度。
skyfireitdiy 团队在 GitHub 开源协作式 AI 开发平台 Jarvis，完整覆盖单人单 Agent、单人多 Agent、多人单 Agent、多人多 Agent 四种协作模式，提供 CLI、Web 和 Python SDK 三种访问方式。项目获第三届开放原子大赛总冠军，累计超 1 万次 Agent 自举提交，99% 以上由 CodeAgent 自主完成，含 319 个 Python 文件、158181 行代码。支持符号级代码理解、影响分析、C→Rust 迁移、JWT 多用户认证与多节点分布式部署，浏览器扩展含 28 项权限（8 项高敏感），作者提示需在完全信任网关与 Agent 的前提下使用。采用 MIT 许可证。
推荐理由：这是一个覆盖单人到多 Agent、多人协作四种模式的本地 AI 开发平台，README 给出了架构、部署方式和与同类工具的对比。
应用数学家 parawanderer 在 GitHub 开源 window-ml 仓库，实验 LLM 推理问题：服务器能否从实际使用记录中学习模型加载位置与时长、预测解码速度并自我纠正。核心机制是让上下文的每一帧拥有地址，工具输出以短指针引用而不复制回上下文，智能体可据此用选定帧重建窗口并评判结论。代码由智能体编写维护，仓库定位为假设检验装置而非代码库，多数想法尚未实测。
作者发布 OpenClaw 插件 Refine Cycle，跨会话追踪 Agent 反复出现的失败工具调用，将同类错误归纳为指纹并让模型写一条简短教训供后续会话使用。在120个新任务上，首次调用正确率从无插件时的8%提升到91%，10个可学习场景全部生成了教训，由两家不同公司的 AI 评分者判定有用。插件每日最多调用模型三次，不使用自带密钥，不编辑 AGENTS.md、SOUL.md、skills 或记忆，教训存放在本地插件文件夹，可通过 /refine list、/refine audit 和 /refine delete 管理。需 OpenClaw 2026.9.5 及以上版本，从 ClawHub 安装。
推荐理由：作者用120个测试任务给出插件启用前后8%到91%的对比数据，并公开了测试方法和原始数据供核查。
Happ3ns 在 GitHub 开源了 Python 编写的自主 AI 助手 JARVIS，基于 Groq API（openai/gpt-oss-120b、gpt-oss-20b、qwen/qwen3-32b 多模型回退），支持语音输入输出、40+ 内置工具、Playwright 浏览器自动化、多智能体编排和 SQLite 长期记忆。其核心特性是自我扩展：遇到没有的工具时自己写 Python 代码、在子进程沙箱中测试、通过后永久保存到 tools_learned/ 并随重启自动加载，并配有屏蔽 os.system、subprocess 等危险导入和 /forget-tool 手动删除等安全机制。
开发者 4FR41D 在 GitHub 开源手机优先的 PWA 应用 evrim，集成聊天记忆、间隔重复学习、GitHub 仓库操作和 37 工具的智能体循环，可无密钥免费运行（Groq / OpenRouter / Google Gemini 免费层）。其元学习机制在每次回复后提取规则并写入系统提示词，v78 起研究实验室每 6 小时用独立 LLM 评审打分，v79 起可自动测量并改写自身模型路由代码，所有修改需通过 node --check、esbuild 和 334 项测试的回归门槛，失败自动回滚，支持 SmolLM2-135M / Gemini Nano / WebLLM 完全离线运行。
推荐理由：这个仓库给出了从手机端搭建带记忆、自我改进循环和自动评测回滚机制的 AI 助手的完整实现，方法可迁移到类似项目。