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。
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。
bacoco 在 GitHub 发布 ShipGuard 2.18.0，一套基于 Claude Code / Codex 的 AI 测试与审计插件，包含 Visual E2E Debugger、Code Audit、Logic Audit、Macro Recorder、Process Check 和 Self-Improving Engine 六个模块。核心机制是范围保护，用户请求即允许的修改范围，改动须用户确认；代码审计默认 report-only，用 Opus 4.7 派发、Sonnet 验证发现，称可削减约 15-30% 误报。审计 token 开销高，standard 模式约 2M token，paranoid 模式可超 10M。
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。
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。
作者开源了 Tony，一个用 Python 从零构建的个人 AI 智能体，目的是学习智能体内部原理，v2 版新增对话与工具，测试台词得分 108/108。人格保存在版本化文本文件中，回答可标记好坏以指导调整；记忆由笔记、会话摘要和最多 40 条事实的整合记忆组成并进入 prompt。默认模型 qwen3:4b，依赖 uv 和 Ollama，采用 MIT 许可证。
推荐理由：作者把人格改动变成可测量的流程，用测试台词加裁判模型打分，只保留不变差的修改，做法可迁移到其他本地智能体项目。
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。
作者在 Anthropic 的 Claude Code hackathon 期间于其 Cortex 项目中实验持久记忆，发现部分对比结果有提升、部分则不如基线，因此认为单纯增加记忆未必能让智能体持续变好。他提出判断标准：让有经验的智能体与全新副本处理陌生任务，比较成果质量、重复纠正次数和维护成本，并质疑模型权重微调是否优于强记忆加技能配置，希望了解哪些经验真正可迁移。
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。
Oxygen56 开源 MoltWeave v0.2，探索机制级持续递归自我改进，对记忆、检索、工具路由、恢复、提示词和改进策略提出变更，模型权重与外层权限边界保持固定，初始实现执行有界表达式 IR 而非任意生成的 Python。v0.2 正式读数为 20 轮 × 10 流 × 三臂协议，联合演进 M/P 终端 177/260，低于固定 M/P 基线的 214/260 达 14.23 个百分点，未能确立演进 P 的独立收益；停用记忆读写时降至 96/260。历史 v0.1 冻结四轮协议中联合运行 held-out 从 39/70 升至 65/70，但固定 P 对照达 67/70，同样未能确立隔离 P 收益，外部 24 题 SQuAD 检查零增益。
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。
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。
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。
AgentToolkit（IBM）发布 altk-evolve，让智能体通过记忆从历史轨迹中学习，避免每次会话从零开始重复犯错。其 Lite 版可接入 Claude Code 和 Codex，采用 MCP 服务器做工具集成、向量存储保存记忆、LLM 做冲突解决来维护知识库；在 AppWorld 基准上整体提升智能体可靠性 8.9 个百分点，困难多步任务相对提升 74%。项目支持 pgvector 与 Milvus 后端、实体跨命名空间共享、保留策略管理和 OpenTelemetry 遥测，仓库地址 https://github.com/AgentToolkit/altk-evolve。
Grillcheese-AI 开源 CubbyLLM，一个八层架构项目，语言模型被刻意做成最小、可替换的一层，每句回答都是 VM 针对事实库执行的程序或带理由的拒绝，用构造而非判断保证诚实。项目同步发布自研 450M 混合模型 base450m（MinGRU + 窗口注意力，bbpe128k 分词器，约 4B token 预训练，经 Vulkan 运行于 grilly2），并给出算术步进（单次通过 5.5% 提升）、qFHRR n-gram 记忆、800 题验证管线 0.718 覆盖且精度 1.000、SimpleQA 与百科 OCR 等大量实测数字，每个数字对应 validation/logs 中的日志。
推荐理由：原文给出可复现的验证实验与指标，把语言模型降为可替换一层、由 VM 仲裁每个回答的架构做法有可迁移的参考价值。
论文提出 HarnessMM，通过受保护的决策复用与递归自我改进（RSI）降低 Agent harness 的 token 消耗，actor 权重保持不变。在 HumanEval 上，Codex 成功率保持 90.82%，Tokens/task（k）从 66.72 降至 47.02（节省 29.54%）；DeepSeek Harness 成功率从 71.43% 升至 85.71%，Tokens/task（k）从 96.28 降至 11.62（节省 87.93%）。MBPP 消融显示成本比单次使用图低 26.91%，比保留回调低 19.52%。
研究通过反向传播展开的经典求解器，学习 MAX-CUT 连续罚松弛的调度。状态自适应的双线性（乘法）调度可分布外泛化，在 15 个种子上优于未训练基线（t=4.1）；相同输入输出头的加法消融在分布内与双线性无统计差异，但分布外表现差于自身基线（t=-11.7）。该差异在 30 轮 weight-decay 扫描中持续存在，表明求解器状态进入调度的方式（而非状态自适应性本身）是与分布外迁移相关的架构区别。
arXiv 论文 2610.32770 将 on-policy 自蒸馏重构为自训练框架，仅凭粗粒度高层主题描述，由模型自行合成问题与特权推理轨迹，不依赖任何人工提示或答案。实验覆盖文本与多模态领域，模型在标准语言基准和视觉问答上取得一致的自我提升，且未自训练领域能力得以保留。
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。
arXiv 论文研究 LLM 智能体在蛋白质口袋中优化配体时，能否把历史探测产生的编辑经验通过经验库迁移到从未见过的口袋。以编辑位点的接触、动作和轮次作为 key 查询 CrossDocked2020 测试集口袋的日志，经验库能清晰区分改善与恶化编辑，但可迁移的信号主要描述编辑本身及生成的分子，而非靶点；直接指明靶点可带来数倍更清晰的区分。在此表示与查找方案下，经验库更适合为智能体自身的候选分子排定对接优先级，而非直接规定要构建什么。
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）。
论文提出 Confusion-Aware Skill Evolution（CASE），首个面向多模态情绪识别的 agent-skill 框架，用稀疏自进化的 EmotionSkill 库处理语义相邻情绪间的系统性混淆，推理时动态检索技能并保持 MLLM 主干冻结。在 CA-MER、DFEW 和 EMER 上的实验显示，CASE 将 Qwen3-VL-8B 在 CA-MER 上的平均准确率从 46.80% 提升到 59.13%，且学到的技能可在不同冻结的 MLLM 主干间迁移。
LeafSkill 提出一种外部复用层，通过语义检索落地经验、将动作模板绑定到当前对象与可执行动作，并使用轻量 1.7B 选择器为递归 LLM Agent 选择动作。在 200 个 Robotouille 任务上完成 137 个，超过 ReCAP 的 121 个（68.5% vs. 60.5%），并在两者均完成的 106 个任务上减少 Qwen3.5-27B token 消耗 14.42%、调用次数 14.08%。技能保持在模型参数之外，冻结选择器可采纳 97.34% 的未见技能类型。
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%。
研究者提出多轮 RL 框架 SOPO，通过教师模型在 rollout 中依据 ground truth 提供间接提示的苏格拉底反馈机制，缓解片段级幻觉检测中的奖励稀疏问题，并以 Turn-based Advantage Scaling 惩罚冗长偏置。SOPO (4B) 在 RAGTruth 上达到 SOTA，超过 GPT-5 等专有模型和标准 RL 基线，在四个域外基准上的平均分高于 GRPO，与 CAPO 互有胜负。1.7B 和 4B 模型及训练、评估代码已开源。
研究者提出 HERD（Harness-Evolving Recursive Distillation），一种混合持续学习框架：在 harness 中高效学习，并通过带双锚点的漂移约束知识蒸馏把经验内化为累积能力，抑制灾难性遗忘。在 TRACE+17 的 25 阶段任务流上，在固定内存与计算预算下，HERD 在新任务习得上匹敌最强参数化基线，同时遗忘最少、通用能力保持最好。
GitHub 上一个非官方研究项目，训练神经网络在世锦赛赛制（1v1、Might、Lakes、小地图）下玩《The Battle of Polytopia》。模型先学习人类锦标赛对局，再通过逐代自我对弈提升，网站自动更新每代对战游戏最难 bot Crazy、上一代和第 0 代的战绩与对局回放。
研究者提出 ReflectPO，一个用于长程任务中自主错误恢复的强化学习框架，包含反思引导采样和树结构信用分配两个核心组件。在两个长程工具使用 benchmark 上，ReflectPO 在多数领域超越现有基线，平均总体性能最佳。分析显示该方法能提升 Agent 识别自身偏差、从错误状态恢复并持续推进任务的能力。
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。
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。
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。
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。
Zhipeng Chen 等人在 arXiv 发布 DeepEvolve，一个以未来事件预测为环境的可持续演化智能体系统，通过递归进化引擎把每次预测的推理轨迹转化为能力。在按周更新、以真实世界结果评估的 FutureX 榜单上连续三周排名第一，rating 最高提升 195%；在自建评测中于四个基座 LLM 上进入前三，领先最强基线最多 10.7 Bradley-Terry 分。论文 47 页，标注为进行中的工作。
推荐理由：论文以未来事件预测这一可持续演化的环境为基础研究递归自我改进，FutureX 榜单连续三周第一是可复核的外部结果。
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。