方向
追踪自我改进 Agent 的仓库、版本与实验：修改代码或策略，通过评测反馈保留有效改进。区分 Agent 自修改、改进机制自修改与自动研究工具；不将普通工作流或未经验证的能力宣称视作递归自我改进。
116 条精选近 30 天 113 条共收录 439 条
imlizhuowei 在 GitHub 发布 realgain，一个仅依赖 numpy 的轻量工具包，通过读取评估日志逐项分解自我改进 AI 系统保留改动的收益来源，区分任务噪声、运气、对选择任务的过拟合、LLM 评分偏差和 grader 访问，并输出 REAL、SCORE ONLY、LUCK、GRADER ACCESS 等判定。实测示例中 AFlow 公开日志的 30 个接受改动仅 8 个超出任务噪声且因无 held-out 任务不可核查，DGM 在 SWE-bench 的 89 个归档步骤仅 3 个超出噪声；模拟测试中误判 REAL 的比例不超过 2.2%，30 个 held-out 任务仅能发现 8% 的真实增益，100 个可达 71%。
推荐理由：原文给出真实日志上的判定示例和工具自身的误报率校准数据，读者可以据此检验自我改进系统的收益是否经得起独立核查。
GitHub 仓库 ElifGray0554/Anti-Autoresearch 发布，用于审计 autoresearch / AI-Scientist 生成论文的自洽性与造假，输出带 span 锚定的审稿报告。它基于 ARIS（约12.5k★）构建，包含8个模式族共46种完整性模式，外加13条零裁决权重的 AI 写作风格印象；以11个技能加1个编排工作流交付，确定性核心含8个经评测门验证的模式（GRIM、GRIMMER、statcheck、delta 算术等），其余39个模式由跨模型审阅者提出发现、确定性裁决器打分。它不是 AI 文本分类器，不判定学术不端，只呈现需人工核查的差异；支持 Claude Code 工作流运行，也提供纯 Python 确定性管线用于 CI 与离线环境。
推荐理由：原文给出46种完整性模式、8个模式族和确定性评测门的具体构成，审稿人可据此判断这套审计工作流能查什么、不能查什么。
一篇 arXiv 技术报告系统研究物理递归自我改进（RSI）的机制、scaling 行为与泛化，提出 PhysRSI-eval，用首次尝试性能、效率、成功率、预算与失败改进五轴指标，在固定交互预算下评测多个 VLM 于 18 个操作任务。分析引出 Physical Barrel 假设，并从公开能力预测相对表现、从早期物理反馈预测后续进展两个角度做观测性 scaling 分析；工作区干预显示移除历史会降低后期成功率，而冻结工作区在未见布局上仍有效，说明场景特定适应与可复用经验可以共存。
推荐理由：论文用五轴指标量化物理 RSI 并给出观测性 scaling 分析，能帮助读者理解 VLM 智能体自我改进能力的来源边界。
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。
Rui Shi 等发布 arXiv 论文 WeAct，在冻结骨干上训练能力专属 LoRA 适配器，并把适配器选择加入 Agent 动作空间，用原生 tool-calling 接口按需组合能力。在 8 个 deep-research 基准上，Qwen3-32B 加 WeAct 比全量微调平均准确率高 6.2% 且计算更少，比最强静态 LoRA 合并方法高 27.5%，并支持不改动骨干的模块化持续扩展。
推荐理由：把适配器选择纳入 Agent 动作空间来缓解灾难性遗忘，在 8 个 deep-research 基准上给出了与全量微调的对比数字。
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。
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。
CrepuscularIRIS 发布 HarnessRSI-Daily 仓库，专门追踪改进提示词、技能、工具、记忆等非权重组件的递归自我改进研究。已对 585 篇论文打分（17 篇达 ★★★ ≥70），评分含证据、执行、证据等级和代码四项且每条判断附原文引用；从 1198 篇语料归纳出 13 主模式 / 36 子模式，独立重判一致率 86%（κ=0.84），并发现 ICLR 2025–2026 中 critique-and-rewrite 模式录用率 17% 低于 35% 基准。仓库含论文榜、诊断卡、模式卡与每日 arXiv 流水线，MIT 许可。
推荐理由：仓库不只收论文，还给每篇打了带引用依据的评分，并从 1198 篇语料中归纳出 13 个研究模式与 ICLR 录用对比。
Google 开源了 Harness2，可将任何 AI harness 变成随时间自我改进的系统。harness 指模型外围的一切，包括系统提示词、工具、记忆、技能和子智能体；agent 会为每个任务提出修改、运行多个候选版本并按表现择优，无需正确答案或评分器，模型权重不变，学到的改进可跨任务延续并保存。Google 用 Gemini 3.5 Flash 和 GLM-5 在法律、办公和专业工作基准上测试，一轮修改即超过原始 harness，多轮后分数更高。GitHub 地址：https://github.com/google-research/harness2
推荐理由：原文说明了 Harness2 让智能体自行改进外围 harness 的机制，且无需标准答案即可比较候选版本，方法可迁移到本地部署场景。
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。
alambert996 在 GitHub 开源了自我改进代码 Agent 框架 self-improving-agents，把方案分为四个层级，从 AutoResearch 循环到代码 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 90-100%，换到对抗测试套件降到 62-66%，而 Arena Loop 保持 70%；Feedback Loop 是性价比最优，胜 Snake（31.1 对 29.2）且每任务成本仅 $0.03 对 $0.63。框架支持自定义任务、断点续跑，可用 run_all.py 一键跑全部实验。
推荐理由：作者用四个层级的同一组任务做了横向实验，给出成本与鲁棒性的具体数据，读者可以直接比照自己该选哪种自我改进回路。
arXiv 论文 arXiv:2610.23845 提出 SEER-Repro 基准，收录 20 篇基于美国 SEER 癌症数据库的已发表论文及其复现所需数据资源。作者构建的 AI 智能体成功复现 2,190 条原子论断中的 77.4%，并通过智能体分析管线识别分析选择、提出替代方案后重跑分析，在 9.5% 的完全复现发现中标记出可能有实质影响的分析选择，交由专家复核。
推荐理由：论文给出了基于 SEER 的复现基准和 77.4% 原子论断复现率等具体数据，可用于评估 LLM 智能体做科学复现的现阶段水平。
研究团队提出 DiscoveryRSI 框架，通过多智能体进化搜索构建假设树，用假设信用优化、harness replay 和 rediscovery 三种机制递归学习，并配套发布 DFM-Bench 评测假设质量与累计研究进展。四个生命科学领域中，两轮自改进后假设质量从基线 4.86 升至 5.39，可证伪性和数据可解性提升最大；专家评审中 DiscoveryRSI-27B 在假设重要性与论断合理性上高于 GPT-6 Luna，与模型截止日期后发表研究的对应率为 6.3%，高于 GPT-6 的 2.5% 和 Claude Opus 5 的 2.3%。
推荐理由：论文给出假设树自改进框架和假设质量的量化指标，可看到自动评测与专家评审两层验证结果。
论文 arXiv:2610.23826 提出自建实验室（SBL），给定高层次科学目标即可自主设计、配置并运行实验室设置，补建实验布局、数字孪生、机器人技能和实验流程。系统已在不同机器人和 setups 上演示，从单一工作站扩展到多机器人协作实验室，并通过真实世界量子点合成实验完成端到端验证。
推荐理由：论文提出自建实验室概念，把人类角色从配置自动化设备转为只给科学目标，实验灵活性问题有了新解法。
maazbin 发布 JobPilot v3.2.0，一个无自带模型的 MCP 工具服务器，让 Grok、Codex、Claude、Gemini 等编码 Agent 作为大脑驱动 Gmail、LinkedIn Easy Apply、ATS 表单和 Connect 四个求职渠道。系统用 data/jobs.db 做跨运行去重，卡住的页面会保存截图和 HTML 并通过 PR 修复模块；Easy Apply 默认每日 50 次上限、到 80% 即停，提交间隔 90–240 秒。项目在 https://github.com/maazbin/jobpilot 开源，MIT 协议，Indeed 无表单人机检查和 Lever 上的 hCaptcha 仍是未解问题。
推荐理由：原文给出完整的架构分工、四渠道投递流程和已知未解问题清单，读者可以据此判断这个 MCP 求职工具的适用范围。
论文提出技能演化中的认知分化方法 CDSE，把统一技能拆为 Meta、Experience、Tool、Script 四个功能组件，从成败轨迹中提取语义梯度并按功能角色做组件级更新与协调调用。对 500 个高分技能包的分析显示 96.8% 包含至少两种功能角色的知识；在六个基准、三个 Agent 模型、两种执行框架共 36 个设置中全部取得最高分，比 Base Agent 平均高 7.6 个百分点，比各设置最强对照方法平均高 2.6 个百分点。论文 22 页，编号 arXiv:2610.23599。
推荐理由：论文用功能分化思路改造 Agent 技能演化，并在 36 个实验设置中给出对比数据，方法对技能库维护有参考价值。
GitHub 开源仓库 neuronet-arena 是一个进化模拟器，40 个智能体在 2D 场地中由各自的小型神经网络驱动觅食避害，网络、遗传算法和随机数生成器全部用 Python 手写，不用 NumPy、PyTorch 或 random。浏览器 JavaScript 演示与 Python 引擎位级一致，通过共享 PRNG、softsign 替代 tanh、Cayley 变换旋转和固定求和顺序规避 IEEE 754 未规定的 tanh、sin、exp 差异。8 个种子各跑 150 代的选择开/关对照实验显示，末代每智能体食物量为 13.39 对 0.98，存活数 33.0 对 13.4；首个版本曾因每代重建种群导致 0/20 进化基因存活，现用回归测试修复。MIT 许可。
推荐理由：这个进化模拟器用纯手写引擎和双语言位级一致设计，展示了如何让浏览器演示逐位复现 Python 训练结果，方法可迁移。
论文提出 LM2LM，用强化学习训练大语言模型生成语言模型改进提案，并以研究世界模型（RWM，一个冻结 LLM）从真实实验记录预测提案收益作为奖励，定期执行高排名提案以更新上下文保持反馈可靠。在八个自回归与扩散 LM 开发环境中，Qwen3.8-27B 经 LM2LM 训练后在留出任务上超越获得 300 条真实实验记录的 GPT-6-sol，数据生成成本降低 33%，并能泛化到训练未见的模型家族。论文链接 https://arxiv.org/abs/2610.23344v1
推荐理由：论文用研究世界模型替代真实训练反馈来训练改进提案模型，并给出跨八个环境与 GPT-6-sol 的对比数据，方法可参考。