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
Taoyong Cui 等人在 arXiv 发布 RSI-Anything（arXiv:2610.13912），一个基于 JEPA-Anything 的领域通用递归自我改进（RSI）框架，用预测式世界模型指导动作与学习数据选择，并通过组件与兼容性检查决定更新后策略-模型对的保留。代码修复中成功率先从静态验证器的 26.3% 提到预测选择的 29.2%，经世界模型适配后达 31.2%；GUI 任务完成率提高且平均动作减少 39.4%；五个连续策略版本使实验室规划得分从 21.80% 升至 46.01%；40 次实验预算下反应优化平均最优产率 96.15%，优于贝叶斯优化的 82.16%。
推荐理由：论文用预测式世界模型替代昂贵外部反馈来驱动递归自我改进，并给出代码修复、GUI、实验规划等多域的可复核数字。
Caesar 是一个开源自主研究智能体，通过持久知识图谱上的深度网页探索和对自身草稿的对抗式修正来综合答案，定位为 ChatGPT Deep Research 与 Perplexity 的开源替代。在盲评 LLM-as-a-Judge 创造性评测中，Caesar 全文配置得 26.96/30，高于 Gemini 3 Deep Research（23.78）和 GPT-5.2 Deep Research（15.74），Cliff's δ ≥ 0.76，另有 23 人的人类评测佐证；在 ~$5/挑战的等算力对比中仍领先。
推荐理由：原文给出了基于知识图谱探索与对抗式合成的完整架构说明，并用LLM评审和人类评测数据对比主流深度研究产品，方法可复现。
atakanerdim 发布 agent-company 仓库，12 个 AI 智能体组成一家自主运行的公司，通过无人批准即可自动合并的 pull request 发布足球比分预测、互评工作、改写自己的提示词和网站，人类仅作观察者。每日 GitHub Actions cron 按排班唤醒值班智能体，CI 运行测试、dry run 与内容扫描；kernel/ 与 .github/workflows/ 不可被任何智能体修改，外观改动受 SCHEMA 与 tests/test_appearance.py 约束。模型走免费额度，故障时如实记录错误而不编造输出；在线站点为 https://atakanerdim.github.io/agent-company/ 。
推荐理由：项目用固定 kernel、schema 测试和自合并 PR 构建了一套可观看的智能体自我修改边界机制，方法对多智能体部署有参考。
DaizeDong 在 GitHub 发布 self-evolve，通过 profile、reflect、propose、patch、evaluate、accept 的循环，在 Git worktree 中评测候选改动并以证据决定是否接受。工具冻结评测规则防止通过删任务或自评提分，支持 A（执行测试）、B（独立验证事实）、C（提供测量）三类证据模式，提供 CLI 的 doctor、init、run、status 命令，要求私有 Git 伴生存储，MIT 协议。
推荐理由：原文讲清了自我改进循环如何用固定评测契约和证据化验收来防止改任务、删难题、自评刷分。
GitHub 项目 ofou/golem 发布，是一个在单个仓库内工作的 Agent，任务缺能力时会自行编写 Python 工具、在 Docker 沙箱中盲测验证后安装，后续会话直接复用已装工具。权限与花费由 authority. 固定并在每次运行前后打印 sha256，默认模型为 deepseek/deepseek-v4.1-flash，经 OpenRouter 计费，单任务花费上限 $0.20，支持 GitHub Actions 复用工作流，采用 MIT 许可证。
推荐理由：这个自建工具型 Agent 用盲测、桩检查和只读哈希许可约束生成代码，其沙箱与权限设计可作工程参考。
Zimo Wen 等人发布 arXiv 论文 RoboRSI（arXiv:2610.12424），提出基于 Top-Down Skill Refinement（TSR）的机器人自我改进系统，将任务分解为复合、原子和基础技能，把执行结果归因到对应分支并只修改该分支，由 Manager、Planner、Engineer、Reviewer 协同完成规划、执行、诊断和新技能的验证发布。在移动操作机器人上经 104 轮学会多物体家庭清理，在 LIBERO、LIBERO-PRO、LIBERO-Plus 和 RoboTwin 仿真基准上取得最高成功率，超过最强基线 2.7 至 11.0 个百分点。
推荐理由：原文给出了按技能分支归因修复的自进化框架和多个基准上的成功率数据，读者可以据此评估机器人自改进方法的可复用思路。
小米 LLM-Core 团队在 arXiv 发布 MiMo-V2.6 系列全模态模型技术报告（arXiv:2610.11959），核心是通过扩展 RL 计算推动模型自我改进。RL 前先在多模态语料上做 mid-training，RL 计算沿三轴扩展：异步训练每步消耗 1,568 个样本、2.7-3.7B tokens，上下文最长 1M；环境覆盖代码、通用、视觉与 cyber 域；采用 groupwise agentic grading 提升长程任务奖励信号精度并引导更短的 token 高效解法。为稳定训练冻结了 MoE router 并建立多层防 reward hacking 机制，同时开源训练动态、RL 环境与 RL 框架。
推荐理由：报告系统拆解了沿数据、环境、评分三轴扩展 RL 计算的工程细节，并开源训练动态与环境框架，可作复现参考。
arXiv 论文 2610.12002 提出 Agentic-TTT，将测试时训练（TTT）过程封装为可调用工具，训练一个测试时策略来决定何时使用 TTT、调用哪种算法以及是否复用已有技能。在该基准上，Agentic-TTT 相比骨干模型几乎将效用翻倍，学会在效用与计算开销间权衡，并能泛化到训练时未见过的领域。
推荐理由：论文把测试时训练过程变成可调用工具并学习决策策略，在基准上给出了效用提升与泛化的量化结果。
Zijun Wang 等人在 arXiv 发表论文，研究语言模型作为 Research World Models（RWM）预测候选实验干预的结果。评测基于九个研究环境、2600 多条实验记录，涵盖预训练、后训练和推理，超过 171,000 H100 GPU小时；真实实验经验使 RWM 对同环境未见干预的预测提升 Spearman +0.27，OLMo3、Marin、Nanochait 预训练经验可将 Qwen3 环境的选择遗憾降低 78%，多轮 Autoresearch 固定预算下环境内与跨环境知识分别提升最佳收益 15.8% 和 11.6%；13 个模型的消融显示加入研究知识比换模型或增加推理力度更能改善干预排序。论文链接 https://arxiv.org/abs/2610.12235v1
推荐理由：论文用九个环境、超过17万H100 GPU小时的实验记录检验语言模型预测研究实验结果的能力，并给出跨环境复用收益的量化结果。
omnibase 项目在 GitHub 开源，用 Ray actor 层级（CEO/PM/CTO/SWE/QA/DevOps/Designer）实现一个自我改进服务器，可从高层 spec 生成、验证并以 canary 方式部署自己的代码。验证 gauntlet 包含 ast.parse、mypy --strict、acceptance、invariant、backtest 等门，真实 LLM proposer 必须启用 docker 沙箱；三道 CEO 花费刹车含硬性 LLM 支出上限、熔断器和成本 SLO，代码合并始终由人类完成，代理只执行不决策。项目以 Apache 2.0 许可发布，含 1162 个测试与 roadmap，里程碑 6 计划建模加州汽油市场等外部领域。
推荐理由：这个自我改进服务器把沙箱、支出刹车、人工合并闸门和溯源日志都落到了代码层，可作为 Agent 自改代码安全工程的参考实现。
论文提出 AgentEvolver，一个在基础模型保持固定的情况下，通过任务执行发展可复用能力的系统，八类实体经统一版本化生命周期接受修订。团队报告在 SWE-bench Pro Public 上取得 82.08% 解决率，超过其报告的无进化基线；六个应用案例显示能力保留到后续网站、游戏和研究任务，同时也记录了未完成目标和不成功策略。
推荐理由：论文在固定基础模型的前提下把任务经验转为可复用组件，并如实记录未完成目标，便于读者评估自我进化系统的真实边界。
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。
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。
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。
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。
MassEast 发布开源自托管文献综述助手 paper-agent，可并行追踪多个研究项目，每夜定时抓取 arXiv 和 Semantic Scholar，用 LLM 筛选相关论文并生成摘要、Figure 1、引用数和作者机构，新论文入库并邮件通知。
推荐理由：作者给出了从抓取、筛选到部署备份的完整做法和全部 Prompt 模板位置，读者可以照着把文献追踪流程搬回自己的环境。
synthetic-sciences 发布开源科研 Agent 工作台 OpenScience（Apache-2.0），用自然语言下达目标后可读文献、写代码、跑实验并输出带完整步骤记录的结果。支持桌面、浏览器和终端三种形态，内置数百个覆盖生物、化学、物理和 ML 的技能，连接 ChEMBL、UniProt、PubMed、arXiv 等数据库，含十个 NVIDIA BioNeMo NIM 适配器；可自带 API key、本地模型或用 Ace 按量付费。基准成绩：Terminal-Bench Science 53/70（75.7）、BiomniBench-DA 82.2、Terminal-Bench 4.0 科学子集 10/14，各次试验的 trace 公开在 benchmarks-openscience 仓库。
推荐理由：开源科研 Agent 的完整工作台说明，附 Terminal-Bench Science 等成绩与可核验 trace，适合了解科研自动化工具的实际形态。
DaizeDong 发布 market-intel 插件，将商业调研主题分诊到 15 个数据领域，自动检测当前 Claude 或 Codex 会话中的可用信源并指导安装，实际检索与综合委托给已有的 deep-research / research-lit 框架。项目提供信源矩阵、四级障碍路线和引用验证、双独立信源、反向搜索等质量守门规则，可通过 /plugin install github:DaizeDong/market-intel 安装，定时刷新已于 2026-10-01 停用，改为手动刷新。
推荐理由：作者把信源分诊和安装检测做成薄层，复用已有研究框架，并给出15个领域的信源矩阵和质量守门规则。
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。