awesome-autoresearchSICA、HGM、GEPA、EvoSkill——自改进编码智能体精选清单【免费下载链接】awesome-autoresearchA curated list of autonomous improvement loops, research agents, and autoresearch-style systems inspired by Karpathys autoresearch.项目地址: https://gitcode.com/gh_mirrors/aw/awesome-autoresearchawesome-autoresearch 是一个自改进编码智能体Self-Improving Coding Agent精选清单灵感来自 Karpathy 的 autoresearch 项目。它把自主改进循环、研究智能体和各类衍生系统按七大类别做了高信号整理帮你在一篇文档里看懂 SICA、HGM、GEPA、EvoSkill 四条明星路线以及 80 个值得跟进的 AI 自主研究项目。什么是自主改进循环为什么需要这份精选清单autoresearch 的核心思路很简单让编码智能体提出变更 → 运行实验 → 根据可度量指标决定保留keep或回滚revert如此往复一夜之间可以跑完上百次实验。围绕这个模式社区很快长出了大量后代项目有人把循环搬到 Mac、Windows、浏览器有人用它优化 GPU 内核、交易策略甚至谱系研究。但项目数量爆炸也带来了找项目难、分不清好坏的痛点。awesome-autoresearch 的定位就是只收录强相关的精选条目直接被 autoresearch 启发、明确引用它作为基础、或在相邻领域有意义地复用了同一套自主改进循环三类之外的项目一律不收。 清单的完整目录与结构说明见 README.md。四大明星项目SICA、HGM、GEPA、EvoSkill 一次看懂清单中最受关注的四个自改进编码智能体方向各自代表了一条不同的技术路线。SICA会修改自己代码库的编码智能体SICASelf-Improving Coding Agent是 ICLR 2025 Workshop 论文项目让智能体直接编辑自己的脚手架代码scaffold-level self-improvement并在编码基准上验证了这种自我修改确实能带来收益。它是智能体改造自身路线的标杆。HGM面向编码智能体的哥德尔机Huxley-Gödel Machine 把自改进提升到了元层面meta-level optimization不直接改任务代码而是优化如何让编码智能体变强这一层目标指标锁定在 SWE-bench 的解题表现上是清单中自改进编码智能体的另一种经典实现。GEPA用自然语言反思做提示词进化GEPAGenetic-Pareto是 ICLR 2026 Oral 项目通过反思式提示词进化reflective prompt evolution优化任意文本参数智能体用自然语言复盘失败原因再变异出更好的提示词。它在多个基准上超越了基于强化学习GRPO的方法并且可以对接 DSPy 等框架直接用于复合 AI 系统。EvoSkill从失败轨迹中自动长出可复用技能EvoSkill 的思路是智能体在基准任务上跑挂后系统从失败的执行轨迹中自动提炼出可复用的技能与提示词再演化迭代。它支持 Claude Code、Codex CLI、OpenCode、OpenHands、Goose 等多种编码智能体平台是技能自进化方向的代表。 这四个项目连同其他自改进智能体条目集中在清单的通用型后代分类中详见 README.md。清单如何组织七大类别总览整份清单按用途分成七个板块从想跑一个实验循环到想了解论文都能直达类别你会找到什么位置️ 通用型后代keep-or-revert 循环框架、自改进编码智能体、提示词进化README.md 研究智能体系统端到端 AI 科学家、自动文献综述到论文产出流水线README.md 平台移植与硬件分叉macOS/MLX、Windows/RTX、WebGPU、多 GPU 集群版本README.md 领域专用改造GPU 内核优化、语音智能体、交易策略、TPU 性能调优README.md 评测与基准MLE-bench、MLAgentBench 等衡量智能体能力的标尺README.md 明星用例与实录Shopify Liquid 优化、GPUMode 内核竞赛复盘等公开案例README.md 相关资源智能体论文合集、深度研究智能体清单README.md 新手建议的浏览顺序通用型后代 → 评测基准 → 明星用例。先搞懂循环本身再看别人怎么用、如何衡量效果。快速上手三步用起来这份自改进智能体清单克隆仓库在本地通读清单git clone https://gitcode.com/gh_mirrors/aw/awesome-autoresearch按类别挑方向想搭实验循环就看通用型后代想在 Mac/Windows 上跑就看平台移植想做完整科研流程就看研究智能体系统。用基准项目校准预期对照评测与基准板块如 OpenAI 的 mle-bench理解每个自改进编码智能体项目声称的收益是如何被度量的。如何贡献入选标准与投稿格式这份清单强调策展curation而非堆量。贡献规范全部写在 CONTRIBUTING.md 中核心规则包括✅ 收录条件项目必须直接受 autoresearch 启发、明确引用它、或在相邻领域有意义地复用了同一套自主改进循环✅ 条目格式- owner/repo - 简短、中性的描述描述要求简洁、客观、不带推广语气❌ 明确拒绝营销文案、关键词堆砌、与 autoresearch 关联松散的AI 研究项目。完整投稿规范与好 PR 长什么样见 CONTRIBUTING.md。许可证与适用人群清单以 CC0-1.0 发布可自由使用、再分发见 LICENSE。这份精选清单特别适合三类人想入门自主改进循环的开发者从通用型后代起步、选型自改进编码智能体的工程师重点对比 SICA / HGM / GEPA / EvoSkill 四条路线、以及关注 AI 科研自动化的研究者顺着研究智能体系统和相关资源两条线深入。【免费下载链接】awesome-autoresearchA curated list of autonomous improvement loops, research agents, and autoresearch-style systems inspired by Karpathys autoresearch.项目地址: https://gitcode.com/gh_mirrors/aw/awesome-autoresearch创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考