新闻、仓库与研究，按时间排列。
Recursive Game Creator 是一个面向游戏体验的智能体开发框架，通过 Designer、Builder、Player、Reviewer 四个组件递归迭代，把粗糙的游戏原型打磨成有趣的游戏。该方法在 GameCraft-Bench 上取得 77.89 的 SOTA 综合成绩，在 GameASG-Bench 上严格任务成功率达 53.2%，较同模型基线提升 34.1%，运行时检查通过率 93.4% 为对比方法中最高。用户研究显示玩家游玩时间更长、评分更高，代码即将开源。
arXiv 论文提出 ScienceClaw 框架，将 AI for Science 智能体的持续自我进化形式化为固定参数的程序自我进化，统一任务求解、科学验证与程序更新。其配套评测 ScienceClaw-Eval 覆盖 23 个学科，通过序列任务流与独立重置评测衡量科学正确性、进化收益、保持率、跨数据集迁移和进化成本。框架仅当源任务重放复现修复且独立科学任务获得提升时才保留更新，代码已开源。
研究者推出 VeriFine，一个通过策略、训练课程与裁判共同演化来扩展验证的 Agent 框架。该框架包含 Policy Improvement Loop 与 Judge Improvement Loop：前者用 rubric 裁判诊断反复出现的失败并构建自适应课程，后者在验证成为瓶颈时选择性引入人类指导，通过 coactive calibration 修正裁判。在驾驶和机器人导航任务上，该方法在强化学习与监督微调中均实现了策略和裁判能力的持续自我改进。
David Condrey 在 GitHub 发布 misterdev，一个自主 LLM 构建编排器，可将目标拆解为任务，用锚定 SEARCH/REPLACE 编辑代码，并通过 build/test/lint/typecheck 门控验证每次变更，回归即通过 git 回滚。它以 CLI 或 MCP server 运行，基于 tree-sitter 符号图理解 Python、Rust、TypeScript/JavaScript、Go、Java、C/C++、C#、Swift、Kotlin 九种语言，支持跨 OpenRouter 的成本感知动态模型选择和隔离 git worktree 并行任务，还包含 AlphaEvolve 式自改进循环与双时间尺度工具库。
推荐理由：原文给出了完整的门控机制说明和 Aider polyglot 基准的分语言通过率，读者可以据此评估这个自主构建编排器的实际做法与效果。
论文提出 SIGMA，一种仅需 Model Spec 即可让模型自我改进安全对齐的数据生成与训练流程，通过 spec 引导任务合成和基于 rubric 的强化学习完成。尽管只在单轮对话数据上训练，SIGMA 在多轮智能体环境中将 AgentHarm 有害性从 22.6 降至 14.8，Agentic Misalignment 从 79.1 降至 3.8，优于 Deliberative Alignment 和 Constitutional AI 基线，且保留通用能力。
推荐理由：原文给出了仅凭 Model Spec 进行对齐自我改进的流程和 AgentHarm、Agentic Misalignment 前后数字，可与外部监督方法的局限对照阅读。
研究提出 HMED（Hindsight Meta-Experience Distillation），一种为自改进智能体构建 Meta-Experience 的机制：从同一恢复的发现状态重新执行原与修订后的 Meta-Skills，使修订的实际影响可在相同条件下观察，并将比较结果蒸馏为可复用的结构化记录。在三个交互式智能体 benchmark 及开源与闭源模型上，HMED 的 Skill 发现性能均持续超越强基线。
arXiv 论文（arXiv:2610.08048）提出 DAEDALUS，用 explorer 与 solver 两个智能体从自生成练习中自举可复用的智能体记忆，无需既有任务或 oracle 验证器。每次 solver 失败派生出启发式规则，并在反复成功后存入记忆库；在 AppWorld、τ²-bench 和 AutomationBench 上，平均成功率较无记忆基线最高提升 15.9 个百分点，pass^5 最高提升 2.2x，推理成本低于多数使用训练任务的方法。代码与生成及推理轨迹已开源，生成的任务还可作为排序模型性能的基准替代。
推荐理由：论文提出不依赖人工任务和 oracle 验证器的智能体记忆自举方法，并在三个环境给出成功率与成本数据，方法可迁移。
franckolv-dev 在 GitHub 发布个人智能体 Ely 4.2（MIT 协议），可订号、发邮件、发 LinkedIn、管理日历并持续执行到目标完成。4.x 为完全重写，从上一版约 24 万行代码加 9 个 Docker 服务精简为约 1 万行 Python 加 3 千行界面、单进程加 SQLite；4.2 按角色设置推理力度，支持 ChatGPT 订阅内模型，并让 Ely 用自己的 GitHub 账号以 pull request 提交自我改进。支持 Chrome 扩展、Android PWA、Telegram、LM Studio 本地模型与多用户，部署命令为 ./ely.sh。
推荐理由：作者给出重写前后的具体对比，从24万行加9个Docker服务压缩到约1.3万行单进程加SQLite，可据此评估其架构取舍。
GitHub 开源项目 ASPIRE（Adversarial Student-Professor Internalized Reasoning Engine）提出让 AI 内化“导师思维方式”的训练框架：学生模型、批评模型与教师模型通过对抗式对话，训练 critic 预测教师的评分与推理，学生再从内化的批评中学习。
GitHub 上的 nullius 项目将 Dream-RSI 的递归自我改进机制应用于量化研究，在加密市场中发现预测性信号，并通过在评估层植入隐藏的 null 假设来度量假发现率。系统采用只读信任区、AES-GCM 加密 null 侧车和 gVisor 沙箱保证可复现性，核心产品是随时间改进、带已知假发现率的校准搜索与选择策略，而非交易策略本身。
GitHub 上的 autoresearch-claude-code 项目通过目标驱动的循环，让 Claude Code 自动测试、度量和持续优化代码改动，无需额外服务器。该项目为开源仓库，当前仍在早期阶段。
GitHub 开源仓库 autoresearch-rl 通过让 AI 智能体自动运行并评估多个训练实验，寻找稳定的后训练配置，实现 RL 微调流程自动化。该项目目前有 1 star、0 fork。
jeffkit/recursive 是一个 Rust 编程智能体平台，核心为 ReAct 循环内核，外围提供 HTTP API、MCP（客户端与服务端）、多智能体编排和 TUI。支持 OpenAI、GLM/Zhipu、DeepSeek、Moonshot、MiniMax、Ollama、vLLM 等 OpenAI 兼容后端及原生 Anthropic 适配器，内置工作区路径校验、shell 超时和 max_steps 预算等安全机制，当前 API 版本为 v0.8.1，crate 以 recursive-agent 发布。
EvolvingAgentsLabs 发布开源项目 agentvcs，一个面向智能体的版本控制系统，把代码、目标、模型、trace 和子智能体群作为一个原子提交快照管理。Rust 核心 v0.1 开发中，通过 103/103 一致性测试；支持 fluid/crystallized 状态机、语义三方合并 --reconcile、多维回滚、进化诊断（Price 方程、Muller's ratchet 等）和 MCP server，纯本地运行、零依赖，Apache-2.0 协议，尚未上 PyPI。
推荐理由：原文给出了版本控制的具体命令、合并机制与诚实范围说明，读者可以据此评估这套 agent 运行时演化工具是否适合接入现有工作流。
eunomia-bpf/bpf-benchmark 仓库提供 ATC 2026 接收论文 BPF-Ext: Safely Extending the eBPF Compilation Pipeline with Native Operations 的工件评测说明，评测指南在 docs/atc26-artifact-evaluation.md，Zenodo 存有不可变归档备份。
GitHub 仓库 llm-adaptive-learning 开源了 ICML 2025 论文 "Adaptive Learning Strategies for Large Language Models in Dynamic Environments" 的实现，让 LLM 在动态环境中实时自适应且避免灾难性遗忘。方法在多类动态环境中较基线提升 16.8%-19.1%，如时间变化场景从 69.8% 提升至 88.9%。项目采用轻量级更新机制无需全量重训，基于 Apache 2.0 许可开源。
Assem-ElQersh 在 GitHub 发布 HypothesisOS，一个执行自主深度学习研究循环的实证 ML 框架，核心是 UCT 状态树搜索、多模型匿名同行评审共识与 Keep-or-Revert 决策。评估器 evaluate.py 完全自包含，启动时以 SHA-256 哈希加 chmod 444 锁定防篡改，验证数据 val.pt 被隔离；评审用 mean-rank 聚合、Kendall's W 一致性系数和含信息增益与新颖性的 EV 公式打分。基线为 TinyShakespeare 上 Transformer 的 0.1672 BPB，单次试验固定 30 秒训练预算，支持本地或 Modal GPU 执行，并明确指出小数据集结论未必迁移到大模型场景。
lambda-symbolics 在 GitHub 发布终端 Agent Autolith（AL），它运行在活态 Common Lisp 镜像中，可观察、自省并在线修改自身代码与状态，并通过镜像代际、检查点和恢复镜像支持回滚与故障诊断。提示输入即 REPL，消息是 (prompt ...) 的语法糖，支持子 Agent 委派、递归推理（infer/rlm-complete，超上下文窗口输入按内容寻址切片处理）与独立 SBCL REPL 工具。支持 Linux、macOS、FreeBSD、NetBSD、OpenBSD 的二进制与 Nix 安装，Windows 需源码运行，ISC 许可，安装命令 curl -fsSL https://sh.lambda-symbolics.com/autolith | sh。
推荐理由：原文详细说明了这个运行在 Common Lisp 镜像里的终端 Agent 如何自检、回滚和恢复，架构思路与常见 Agent 明显不同。
Nous Research 发布开源智能体框架 Hermes Agent，主打内置学习闭环：从经验中自动创建技能、使用中自我改进、跨会话记忆与用户建模。支持 Telegram、Discord、Slack、WhatsApp、Signal 等平台接入，可切换 Nous Portal、OpenRouter、OpenAI 等任意模型提供商，提供本地、Docker、SSH、Modal、Daytona 等七种终端后端，可在 $5 VPS 到 GPU 集群上运行，并支持从 OpenClaw 一键迁移设置、记忆与技能。项目采用 MIT 许可，仓库地址 https://github.com/NousResearch/hermes-agent。
推荐理由：README 完整列出了学习闭环、七种终端后端和各平台安装方式，想自部署智能体的读者可以据此评估部署成本与迁移路径。
beita6969 在 GitHub 开源 ScienceClaw，一个基于 OpenClaw 网关的科研 Agent 系统，模型参数始终不更新，靠重放验证的可执行修复转化为版本化的 Skill 与 Operator 程序更新。在覆盖 23 个学科的 ScienceClaw-Eval 上，7 轮进化后 OOD 平均提升 16.45%，OOD 宏观成功率从 77.83 升至 91.30，98.23% 实例通过科学硬约束；消融显示分离提交 Skill 与 Operator 只保留 60% 增益。评测数据在 Hugging Face（beita6969/scienceclaw-64-samples），仓库采用 MIT 许可。
推荐理由：原文给出了完整的评测数字和消融对比，读者可以据此评估这种不改模型参数的程序级自进化框架究竟带来多少收益。
GitHub 开源项目 Day0（BrianIsaac/day0）部署一个不带角色、技能和范围的自主 Agent，一切能力来自与雇用者的入职对话：Agent 主持 Day-1 一对一、自己起草章程并等待人工批准，再自行发现工作项、审批计划后才执行，缺技能时自己编写并经本地沙箱冒烟验证后注册。README 记录了一次 3 September 2026 的真实模式完整运行，5 min 8 s 获得首个批准章程，7 次批准、1 次拒绝，撤销 linear:write 后下一次写入被拒，审计轨迹 41/41 完整；支持云端模型、本地 qwen3:8b 无账号路线和托管演示 dayzer0.dev。
推荐理由：原文用一次完整真实模式运行记录了从入职对话到章程批准的全程数字，读者可以照着判断这种自主 Agent 的实际可控程度。
oyekamal 在 GitHub 发布 harness-evolve，一个 Claude Code 技能加单个 stdlib Python 文件，让 Agent 从自身轨迹学习并仅在 eval 门槛证明有效时更新 CLAUDE.md、规则和技能。流程为 collect、drift、diagnose、propose、gate、apply、rollback，只有 tier 0 playbook 自动落地，tier 1-2 需人类审批，tier 3 永不由循环修改；holdout 任务需胜过 best-of-K 重试基线才能通过。
推荐理由：作者把 Claude Code 技能做成 eval 门槛优先的自我改进循环，人类审批和攻击测试的设计思路对搭建同类流程有参考价值。
论文提出 SEIS（Self-Evolving Inference Systems），用智能体自我进化在无人干预下端到端优化 mini-sglang 推理引擎。在 H100 上服务 Qwen3-0.6B 时吞吐达到原版 mini-sglang 的 3.27X，并在单请求负载下超过 vLLM、TensorRT-LLM 和 SGLang；正确性通过数值差异及数学、长上下文检索任务的下游准确率验证，会话经验继承的迭代优化优于独立尝试。论文地址 https://arxiv.org/abs/2610.04646v1
推荐理由：论文用智能体自我进化端到端优化整个推理引擎，并在实测中与 vLLM 等主流引擎做了吞吐对比，方法可迁移到系统优化场景。
研究者提出一个 AI agent 驱动的可微分科学软件演化环境，连接需求识别、开发与质量评估。该工作构建并验证了覆盖物理、化学和生物建模的 20 个包的自动微分扩展，通过独立导数检查、工作流测试和性能评估评估实现。基准测试显示其在梯度评估和完整参数估计中相比有限差分节省计算，量子控制与热设计研究复用已有导数改进了设计。
研究者提出 TRIZ^a，一种结合 TRIZ 发明理论与 LLM 智能体进化搜索的研发自动化范式，用 40 条发明原理和矛盾矩阵替代随机变异来引导方案生成。在 PowerDuck GOOSE、CICIoT2023、CIC-DDoS2019 三个网络安全数据集上，配对重跑协议下 F1 分别绝对提升 +2.88、+4.23、+0.15 个百分点；一次 45 活动的 CICIoT2023 完整实验将 macro-F1 从 0.8325 提升至 0.8483，但未通过冻结的晋升门控。
论文提出 Action Consequence Alignment（ACA）训练目标，解决潜在世界模型预测误差低但规划不可靠的错配问题。ACA 通过惩罚局部搜索替代动作相对事实动作的预测误差优势来改进规划，无需额外模型组件或训练期环境交互。在多种环境评测中，ACA 提升了规划表现、降低真实目标误差，其引导的数据收集优于随机局部采样。
SakanaAI/ShinkaEvolve 项目将 CI 工作流中固定的 actions/checkout 从 v4 升级到 v7.0.1，claude-code-action 升级到 v1.0.239 release commit，两者均固定到完整 SHA。checkout v5-v7 的变更（Node 24 运行时、凭据分离文件、fork-PR 阻断）不影响该工作流，所用 claude-code-action 输入项在 v1.0.239 中保持不变。
Human-Agent-Society 在 GitHub 开源了 Reef，定位为首个面向持续自我改进 Agent 的开源基础设施，连接推理、反馈、学习与版本化交付。它支持模型权重训练（配合 Slime 与 SGLang）和 harness 自我改进（提示词、规则、技能，仅需模型端点无需本地训练 GPU）两条路径，学习循环分 Serve、Observe、Grow、Commit 四步，推理端点兼容 OpenAI 与 Anthropic 格式，recipe 附 AIME 2025、IMOAnswerBench、Terminal-Bench 等实测结果页，仓库地址 https://github.com/Human-Agent-Society/reef。
推荐理由：README 给出四步学习循环、双学习面架构和带实测基准的 recipe 目录，便于评估这套自我改进 Agent 基础设施的落地方式。
thierrypdamiba 在 GitHub 发布 teeth（MIT 许可），一个用于自我改进 Agent 的预测计分库：Agent 对 7 个加密市场以 5 分钟为周期持续预测，用 Brier 分数对照市场实时价格计分，结算自动划转资本，纯 Python 标准库实现，账本为可审计的 JSONL。Agent 凭准确率赚取支出上限，未验证 Agent 上限打 75% 折扣，只有结算结果可改变上限；可作为 DGM 式演化系统的适应度函数，Season 0 到 2026-09-30 为不发放奖金的公开试运行。
推荐理由：提出用实时预测市场作为自我改进 Agent 的适应度函数，Brier 边际随市场结算计分，规避基准泄漏与评委操纵问题。
ShinkaEvolve v0.0.7 已发布至 PyPI。新增 Wolfram Language 和 Go 作为一等演化目标，并补充 Gemini 3.5 Flash 与 Claude Opus 4.8 的定价条目。修复了 WebUI 中仅完成初始生成的运行被过滤为空结果、以及单模型 Headless 运行在 Ensembling 标签页不显示数据点的问题。
karpathy/autoresearch 项目合并了 PR #342，修复分析模块中变量 best_bpb 未先定义就被用于 Y 轴缩放的问题。修改内容是在计算 margin 前先通过 kept_bpb.min() 定义 best_bpb，再据此设置图表 Y 轴范围并输出 progress.png。
Karpathy 更新其 autoresearch 仓库的 README，补充项目背景介绍和参考链接。该项目让 AI 智能体在夜间自主运行小型 LLM 训练实验：智能体修改代码、训练 5 分钟、评估结果并决定保留或丢弃，循环迭代。训练代码是 nanochat 的简化单 GPU 实现，研究者通过编辑 `program.md` Markdown 文件而非 Python 文件来设定自主研究组织。
IgorGanapolsky 在 GitHub 开源 ThumbGate，一个运行在 PreToolUse hook 的 AI 编码 Agent 执行前防护引擎，在工具调用执行前给出放行、警告或硬拦截判定。默认硬拦截 secret 泄露和两类自我禁用命令，rm -rf、force-push 等默认警告，设 THUMBGATE_STRICT_ENFORCEMENT=1 可升级为硬拦截；用户 👎 反馈沉淀为本地规则，可自动从警告升级为拦截，支持 Claude Code、Cursor、Codex、Gemini CLI 等 MCP Agent。免费版每天 2 次反馈、3 条自动规则，Pro 为 $19/月或 $149/年。
推荐理由：作者给出按风险分级的默认拦截策略和分阶段接入流程，读者可以对照自己用的编码 Agent 判断是否适用。