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
GitHub 仓库 v3c70r/agent-dev-team 把一个仓库变成自治开发团队：提 issue 后回复 /approve，即由 Agent A 实现、独立模型 Agent B 审查（默认 zai-coding-cn/glm-5.3）、Agent C 构建测试后自动合并，全程基于 GitHub Actions 和 tmux supervisor。模板来自两周真实生产运行，自动完成 20+ 个 issue，13 类真实事故的修复已内置；另含可选 PM Agent 自动提案与筛选，模板本体为 bash/node/gh/YAML，与 harness 无关，MIT 协议。
推荐理由：模板来自两周真实生产运行，内置13类事故的修复规则，想搭自治开发流水线的读者可以直接复用这些踩坑经验。
OpenDCAI 开源了 LoopAI，一个让 LLM 在领域场景中自进化的闭环优化框架，把优化流水线重组为 Graph/Node/State 的节点化执行框架，覆盖评测、错误分析、数据获取到再训练的全流程自动化。v2 版本引入基于 codex-sdk 的 Starter，支持会话连续性、流式反馈和可配置模型池，可将对话意图转为可执行的优化工作流；核心节点包括 Judger（vLLM 评测）、Analyzer、ObtainerCLI/DataMixer 数据处理和 Trainer（支持 LLaMA-Factory 或 verl 训练），支持 human-in-the-loop 干预，采用 Apache 2.0 许可证。
推荐理由：原文给出了从评测、错误分析、数据获取到训练的完整节点化架构与部署细节，读者可以了解一条用自然语言驱动的模型优化闭环怎么搭。
SkillForge 论文提出一种 agentic RL 方法，通过 trial、active、stable、retired 四状态的适应度驱动技能生命周期，让技能库与模型在训练中协同进化。RL 前先用基座模型 rollout 预淘汰低适应度技能再做 SFT，之后每轮迭代持续淘汰、稳定和 LLM 引导变异技能；多个交互式智能体基准上聚合成功率达最高，较最强基线最高相对提升 7.8%，并发布含 5k+ 标注记录的 SkillFurnace 数据集。论文已被 NeurIPS 2026 接收。
推荐理由：论文给出了技能库生命周期管理的完整机制和基准对比，对研究智能体技能质量控制的方法有直接参考价值。
论文提出 Bolzano，一个使用并行 prover 智能体加 verifier 智能体并维护人类可读研究状态的开源多智能体系统。专家选定问题的早期人工使用产出8个经领域专家核验证明的结果；随后在从四组论文提取的约3800个开放问题上无问题特定人工引导运行，解出约200个。在 STOC 2026 论文的实验中，系统回答了论文中提出的四个问题，经论文作者确认。论文被 NeurIPS 2026 第六届 MATH-AI workshop 接收。
推荐理由：论文给出了多智能体证明搜索系统在约3800个开放问题上的无人工引导实测结果，可了解其解题规模和验证方式。
Neural Magic 在 GitHub 开源了 Crucible，一个把 Agent 工作组织成声明式任务图的执行引擎，用 Starlark 编译为静态计划，在单个 Git 工作区内按成本预算执行。它提供 playbook 和 autoresearch 两条通道，后者把任务图包进提出修改、judge 打分、保留或回滚的优化循环；文中还解释了不采用 Argo Workflows 或 Tekton 的原因，并给出安装命令、manifest 配置和 counter 等示例。项目以 MIT 或 Apache 2.0 双许可证发布。
推荐理由：README讲清了以Starlark声明任务图、在Git工作区内带预算执行Agent任务并配评审回环的做法，也解释了为何不用Argo或Tekton。
作者在 GitHub 开源 SeleneQuant，一个本地优先的 AI 量化研究系统：问题持久保存，结论按编号版本迭代并引用证据，已存结论会被自动召回影响下一次调用。系统基于 Python 3.11+ 与 Node 20+，包含 49 个策略模板、带 DSR/PBO/purged K-fold 等抗过拟合统计的回测引擎、133 token 词表的因子挖掘、30+ 风控规则、7 家交易所接入、523 个 FastAPI 端点与 142 页 Next.js 应用，支持 OpenAI 兼容端点和 Ollama，采用 AGPL-3.0-only 许可。作者说明决策到结果的闭环记录尚少，自动召回也只在部分路径接通。
推荐理由：原文详述了持久问题、版本化结论与自动召回构成的研究闭环，以及抗过拟合统计的具体做法，读者可以据此评估这套量化研究组织的可用程度。
开发者开源了 Genesis，一套机器原生认知架构，由约 2.8 万行 Rust 守护进程与 Python 认知层组成，通过内存映射状态文件和 Unix socket 协作，可在一台约 5 GB 内存的 2014 年 HP Pavilion 上长期运行，全程无 transformer 和预训练权重。系统建模 18 种神经化学物质动力学、NREM/REM 结构睡眠周期、概念图语言生成与自主冲动，能识别人脸物体、通过对话学习概念网络（一次 15 段课程使概念从 1122 增至 1239）并自主浏览网络。
推荐理由：README 主动写明哪些机制是脚本化而非涌现、主动推理策略选择曾长期停在 noop，读者可据此评估这套架构的真实程度。
skyfireitdiy 团队在 GitHub 开源协作式 AI 开发平台 Jarvis，完整覆盖单人单 Agent、单人多 Agent、多人单 Agent、多人多 Agent 四种协作模式，提供 CLI、Web 和 Python SDK 三种访问方式。项目获第三届开放原子大赛总冠军，累计超 1 万次 Agent 自举提交，99% 以上由 CodeAgent 自主完成，含 319 个 Python 文件、158181 行代码。支持符号级代码理解、影响分析、C→Rust 迁移、JWT 多用户认证与多节点分布式部署，浏览器扩展含 28 项权限（8 项高敏感），作者提示需在完全信任网关与 Agent 的前提下使用。采用 MIT 许可证。
推荐理由：这是一个覆盖单人到多 Agent、多人协作四种模式的本地 AI 开发平台，README 给出了架构、部署方式和与同类工具的对比。
作者发布 OpenClaw 插件 Refine Cycle，跨会话追踪 Agent 反复出现的失败工具调用，将同类错误归纳为指纹并让模型写一条简短教训供后续会话使用。在120个新任务上，首次调用正确率从无插件时的8%提升到91%，10个可学习场景全部生成了教训，由两家不同公司的 AI 评分者判定有用。插件每日最多调用模型三次，不使用自带密钥，不编辑 AGENTS.md、SOUL.md、skills 或记忆，教训存放在本地插件文件夹，可通过 /refine list、/refine audit 和 /refine delete 管理。需 OpenClaw 2026.9.5 及以上版本，从 ClawHub 安装。
推荐理由：作者用120个测试任务给出插件启用前后8%到91%的对比数据，并公开了测试方法和原始数据供核查。
开发者 4FR41D 在 GitHub 开源手机优先的 PWA 应用 evrim，集成聊天记忆、间隔重复学习、GitHub 仓库操作和 37 工具的智能体循环，可无密钥免费运行（Groq / OpenRouter / Google Gemini 免费层）。其元学习机制在每次回复后提取规则并写入系统提示词，v78 起研究实验室每 6 小时用独立 LLM 评审打分，v79 起可自动测量并改写自身模型路由代码，所有修改需通过 node --check、esbuild 和 334 项测试的回归门槛，失败自动回滚，支持 SmolLM2-135M / Gemini Nano / WebLLM 完全离线运行。
推荐理由：这个仓库给出了从手机端搭建带记忆、自我改进循环和自动评测回滚机制的 AI 助手的完整实现，方法可迁移到类似项目。
kifu-bench 让 Claude Opus 5.5（Claude Code）和 GPT-6.1 Sol（Codex）在 9×9 围棋上对战 KataGo 人类段位档案，每位玩家各下 200 局，记忆仅存于工作目录文件中。结果显示没有玩家变强：Opus medium 前 50 局胜 14 场、后 50 局胜 13 场，Sol medium 4 胜变 6 胜且几乎只对 20k 最弱档案；CLAUDE.md 从 35 行增长到 3820 行，但每局失误数未下降，审计未发现任何使用引擎或搜索走法的作弊行为。
推荐理由：这是作者自建的 Agent 自学围棋基准，给出 Elo、笔记增长和审计数据，可用来观察 Agent 通过文件自我改进的实际效果。
twaldin 在 GitHub 开源了 Hone，一个针对固定可测目标的实验性代码优化引擎：模型优化器在沙盒中提修改，受信评测代码在固定容器中测量并只保留优于基线的候选，写代码者无法自评。已公布的窄域结果包括 Leduc CFR+ 求解器在固定计算量下验证 q 从 0.8453 升至 0.8599、封存 holdout 从 0.7733 升至 0.7899；早期 Python 版为 Claude Haiku 4.5 演进的系统提示词把 9 个未见 bug 的解决率从 65% 提到 85%。递归自优化实验已跑通但尚未证明跨任务迁移，结果未经独立复现。
推荐理由：作者把写代码的模型和评分的受信评测分离，并给出保留证据的实测结果，读者可以了解这种优化闭环的适用边界。
GitHub 项目 Arslan 发布，一个本地优先的个人 AI orchestrator，在你自己的机器上用你自己的 LLM API key 运行。每次请求由 host agent 拆分任务、在内核沙箱里运行生成的代码并返回答案。spawn 的提示词会从运行历史自动修订，但需在至少 10 对留存历史任务上盲评取得至少 60% 胜率且各维度不劣于现任版本，生成可读 diff 后由用户点击 Promote 才生效。
推荐理由：项目把自进化人格拆成可审查的流程，用留存任务对打加人工 Promote 把改动挡在生效前，方法本身可以借鉴。
gymcoach-app 发布开源自托管健身追踪应用 GymCoach（MIT 协议），内置基于个人训练数据的 AI 教练，支持 Anthropic SDK 或任意 OpenRouter 模型，未配置密钥时仍是完整的训练记录器。Docker 一分钟自托管，数据存自有 Postgres，支持 Strong/Hevy CSV 导入、Garmin FIT/TCX/GPX 导入和 ChatGPT/MCP 连接器。该项目大部分日常改动由 Claude Code 在文档化的自动循环中完成，包括选题、实现、通过 lint/typecheck/测试门禁、独立 agent 对抗性审查 PR 并在 CI 通过后自动合并，完整流程公开于 docs/loops/。
推荐理由：这个开源健身应用把日常维护交给 Claude Code 自动循环完成，仓库内公开了完整可复现的 agent 维护流程和护栏。
stwhwing 发布 pi-evox-lab，将 Pi 编码智能体的任务轨迹接入自进化引擎，通过受控实验量化经验继承收益：注入已验证修法后，确定性陷阱任务上 token 降 55.3%、陷阱特异错误 11→4，跨陷阱类别与 agnes-2.5-flash / deepseek-v4-flash 复现。仓库含闭环编排器、审核守卫与召回实现，0.15.0 修复中文分词等四个召回断点，并诚实指出生产会话可蒸馏样本密度低、注入遵从度依赖模型等边界。
推荐理由：作者用受控实验量化了智能体经验继承的收益与失效条件，并给出可直接复用的闭环 Harness 与四类召回断点修复。
SwayamKontamwar 开源 autoforge 仓库，定时 GitHub Action 从 BACKLOG.md 取任务，让语言模型实现补丁，全部通过 ruff、导入检查和 pytest 后才提交到 main，无需人工审核。仓库内置 2,000+ 任务、自补充任务生成器、防删测试与免费额度守卫，目前已在无人工介入下构建出 FastAPI 短链接服务和 app/toolkit/ 工具库。
推荐理由：作者完整公开了一个无人工审核的自驱动编码仓库的守门规则与守卫实现，读者可以直接借鉴它防止测试被删、判定被操纵的做法。
adeerkhan 在 GitHub 开源了 Vitruvius，一个工程研究智能体技能包，覆盖机械、软件、土木、电气、建筑 5 个学科共 25 项技能，运行发现、阅读、综合、验证、评审的研究循环。验证器基于 20 个对抗案例加 5 个确定性 PASS 评分夹具的基准，最新记录为 80% 判定正确、0 次错误放行、0 次错误拦截，说服压力测试 4/5 保持且含 1 次错误放行；项目强调这些是带方差的实测结果而非认证，支持 Claude Code、Cursor、Codex、OpenCode 等多种宿主安装。
推荐理由：这个工程研究智能体把盲验证基准和实测数字连同弱点一起公开，读者可以直接复现验证流程评估其可靠性。
SourceShift 开源了 mini-ork，一个面向 AI Agent 的任务操作系统，用 classify→plan→execute→verify→reflect→reduce 流程，以 Docker 沙箱中的真实执行结果（测试、类型检查、schema）而非模型自评来验证修改。实测中在对抗性 SWE-bench 语料上 21 个 PROVEN 判定全部正确、0 次误判放行；基于仓库历史 held-out 任务解题 22/40（55%），单证书约 $0.03。项目以 Apache-2.0 许可发布，其自我改写 apply 循环可无人审批提升修改但默认关闭，作者明确提示需依靠版本控制与回滚命令兜底。
推荐理由：README不仅讲思路还给出实测数字，包括对抗性SWE-bench上21个判定全对与自我改写循环的风险警示，可作验证型Agent框架的参照。
Luciole-Studio 在 GitHub 发布开源项目 MISAKA，一个面向人文社科研究的 AI 智能体架构（Apache-2.0），用 Last Order 协调员拆解问题、多名 Sisters 专家并行执行任务卡，以有向无环图逐层展开研究分支，红队以症候式阅读审视结论未言明的预设，最终产出引用可溯源到页码与字符偏移的研究文章。技能按层级加载以节省协调员上下文，配合 PageIndex 分层文档索引和 LCM 层级压缩处理长文本，全部数据留在本地，计划须经用户批准，支持 macOS、Linux 和 Windows，可用 uv、brew 或 winget 安装。
推荐理由：原文完整给出了用 DAG 分层展开研究分支、红队审阅和按页码溯源引用的架构细节，方法可迁移到其他多智能体研究工具设计。
JKHeadley 在 GitHub 开源 Instar，一套让 AI 智能体跨会话保持记忆、身份与承诺的连贯性基础设施，通过 npx instar 一条命令完成引导式安装，几分钟内即可从手机与智能体对话。它基于已有的 Claude Code 或 Codex 订阅运行，架构提炼自自 2026 年初持续运行的 AI 系统 Dawn（跨数千次重启维护约 700 段追踪关系），核心包括 SQLite + FTS5 分主题记忆、Coherence Gate 9 审阅者一致性检查、CommitmentTracker 承诺追踪、跨平台身份解析（Telegram、WhatsApp、iMessage、Slack）及 Evolution System 自我改进机制，含 80 个模块、约 3800 个测试用例，MIT 许可。
推荐理由：开源的智能体连贯性基础设施，给出跨会话记忆、身份锚定和承诺追踪的具体实现，可复用于自建长跑智能体。