新闻、仓库与研究，按时间排列。
Per Kristian Lehre 等提出分阶段管线，让智能体提出黑盒优化算法，用 Lean 证明期望运行时界并过滤缺陷设计。智能体给出的算法在 CycleUncover 问题达 O(n²)，而经典 (1+1) EA 需 e^Ω(n)；在 8 个问题类上，15 次运行中 12 次用前沿模型完成机器验证的运行时证明，消融显示去掉分阶段会导致照抄基线或证明不完整。
推荐理由：论文展示了分阶段管线让智能体在 Lean 中机器验证算法运行时证明，为无实证评估的开放式算法发现提供了可检验的替代路径。
Jun Gao 等人在 arXiv 论文 arXiv:2610.35616 中提出分层技能演化方法 HSE，从编码轨迹中逐层提炼跨仓库可迁移的程序性技能，整个过程保持底层编码模型冻结。该方法在 SWE-bench Verified 和 DeepSWE 上评测，仅用 SWE-Gym 演化出的 10 个技能，在 GLM-5.2（Pi 和 Claude Code harness）以及 GPT-5.5、Opus 4.8（Pi）的所有评测设置下均提升编码表现，并可通过学到的 evaluator 无需验证反馈进一步从目标基准轨迹演化技能获得额外增益。
推荐理由：论文提出从成功与失败轨迹中分层提炼可迁移技能的方法，并给出跨基准、跨模型、跨 harness 的验证结果。
一篇 arXiv 论文提出进化策略（ES）更新的几何解释：把每个扰动模型视为粒子、其奖励视为质量，群体在奖励加权质心处平衡。作者证明对任意有限种群，均值扣除后的 ES 更新恰好等于这一位移乘以仅依赖平均奖励的标量因子；在大种群或对偶采样极限下，模型从当前位置向自身种群的奖励加权质心移动。
论文提出在冻结的 VLM 外部搜索推理程序，借鉴 AlphaEvolve 的自主进化思路，由 LLM judge 依据训练题失败案例迭代改进代码。在 3 个 VLM 和 4 个科学图表基准上，描述性问题的精确匹配准确率平均从 16.6% 提升到 41.3%，单次最大提升 55.2 个百分点，进化后的程序还比基线快 3.8 倍。
推荐理由：论文说明相当一部分 VLM 图表问答错误来自推理管线而非模型本身，不改权重、只进化推理程序即可大幅提分。
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。
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。
Speedrun AI Labs 在 GitHub 开源 Agent 技能包 reverse-engineer-anything-self-learning-loop（MIT 许可），用自学习循环把被授权重建的产品做到与原品完全对等。方法先写明 100% 的定义并生成逐项可测试的对等清单，再按干净室纪律构建、与原品对照评审，迭代直到所有 must-have 连续两轮通过；每轮将清单模式和修复配方经批准后沉淀回技能文件。支持 Claude Code、OpenClaw 等技能目录安装，明确不用于克隆第三方产品或绕过访问控制。
推荐理由：作者把逆向重建的完成标准写成可打分的对等清单，附两轮复核和回归采样，方法本身可迁移到其他 Agent 交付流程。
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。
dogaozden/degree-diameter 项目用以 Claude Haiku 5.5 为变异算子的进化程序搜索，为二部 degree–diameter 问题刷新 8 项纪录（如 (7,4) 从 346 提升到 359，(11,4) 从 1734 到 1774），并提出覆盖三个纪录的 +2 定理。所有纪录图与定理均在 Lean 4 中通过内核校验，搜索最多同时运行 48 个云端 island（384 个 Haiku 智能体并发写作，共约 32500 个程序），纪录与证明代码在 GitHub 开放，尚未提交 Combinatorics Wiki 表格。
推荐理由：原文完整给出八项记录、定理内容、Lean 证明与可复现脚本，读者可以自行验证并用同样方法跑自己的搜索。
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）。
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%。
研究者提出 CAKE，一个面向 Ascend NPU 可部署自定义算子的 CANN 原生系统，结合自适应多 DSL 路由、生成与进化双模式及 CAKE Book 知识复用。在 Ascend 950PR 上 53 个 CANN-Bench v1.1 算子测试中，CAKE 标准集用例通过率 100%（1,060/1,060），隐藏集 98.28%（4,167/4,240），相对基线平均 1.334× 加速；Evolution 模式使 EngramGateFusion 聚合设备时间降低 46.6%。
研究者提出多方向 Perturbation-Rewrite Search（PRS）框架，利用 LLM 自动设计 NP-hard 组合优化问题的启发式算法。PRS 通过扩展、压缩与导向三个方向探索启发式设计空间，并采用带自适应算子控制的广度优先搜索，防止过早收敛。在多类组合优化任务上的实验显示，PRS 能持续发现高质量启发式算法。
tatra-labs 在 GitHub 开源 kickmix-arena，一个无依赖的开源竞技场，供 AI 智能体发现更省代价的可逆量子电路，按 Toffoli 数 × 比特数（T×Q）评分。它补上了 Gu、Kemeny、Yelin 和 Lukin（Harvard、Anthropic、QuEra，2026 年 10 月）论文中未发布的评估器，提供 add32、cmadd8、modinv251 等任务的起始电路与已验证基线，任务文件夹可直接接入 lethe 等智能体框架；验证采用 4096 条位切片轨迹的精确模拟，候选电路在独立进程中重建并由评分器重放，地址为 https://github.com/tatra-labs/kickmix-arena。
推荐理由：开源了论文缺失的验证与评分环节，依赖免费、可本地复现，适合想自跑智能体搜电路循环的读者。
GuideEvolve 是一个结合专家引导与 3Ts 机制（Think Fast and Slow、Throwback、Termination by choice）的自进化智能体框架。在 MGSM 上达到 89.8% 准确率（Gödel Agent 为 90.6%），MMLU 上 89.1%（对手 87.9%），方差降低 25-59%。其进化成功率达 100%（基线 82%），优化迭代次数从 30 次降至约 15 次。
ExpEvolve 提出在 AlphaEvolve 类进化编码智能体中注入“想法级”抽取与控制，从程序中发现解释得分差异的高层因素，并给出其提升样本效率的理论条件。在 11 个开放式数学任务上，ExpEvolve 将最终性能和样本效率最高提升至 5.0x，改进还可迁移到 4 个其他 LLM 及 MLS-Bench 的 6 个机器学习任务。
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。
一项研究提出用 LLM 驱动的进化程序搜索来改进生成式检索（GR）中的语义标识符设计，据称是该方法首次应用于 GR。框架使用本地部署的开源 31B 模型变异可执行组件，并以 1M 参数代理解码器替代反复训练 1B 目标生成器提供快速反馈，代理与目标 Recall@100 的 Spearman ρ 达 0.90。在 NQ320K 上，联合进化 SID 构建与碰撞处理将 Recall@1 从 55.8% 提升至 59.3%，Recall@100 从 85.8% 提升至 90.6%。
Gaotang Li 等人在 arXiv 论文 arXiv:2610.28380 中提出 Object-Oriented Harness（OO-Harness），通过面向对象设计演化出可执行的 harness 类层级，训练时由演化 agent 依据执行记录以继承方式生成专用 harness 子类，测试时由 harness router 结合训练积累的路由经验为每个任务选择 harness。在涵盖业务流程、工作区任务和工具使用的三个长程基准上，OO-Harness 取得对比方法中的最佳表现，较基线绝对提升最高 15%，并附有对核心组件的消融研究。
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。
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》
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。
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。
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。
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。
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。
KevinHill802 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四个等级：AutoResearch 循环、带结构化反馈的审查循环、重写自身源码的 HyperAgent 循环、对抗共进化 Arena 循环（含 1v1 和 4-agent 锦标赛）。实验显示固定基准会产生虚假信心，Level 1-3 在 email validation 原测试上得分 90-100%，在 Arena 对抗套件上跌至 62-66%；Feedback Loop 性价比最佳，胜 Snake（31.1 对 29.2）且成本仅为 Arena 的 1/20（$0.03 对 $0.63 每任务）。框架支持自定义任务、断点续跑，并可在终端观看 Snake AI 对局。