收了什么？
项目、论文、benchmark、博客和社交信号
原始材料服务一个目标：判断系统是否真的形成反馈驱动的保留改进，而不是给读者堆目录。
读者路径 / Topic guide
别从关键词开始，从读者问题开始。
这个页面不是关键词目录，而是十个阅读问题：先知道什么算自进化，再看机制、证据、风险和下一步。
English readers can use the core summary path under /en/; this Chinese page remains the fuller topic map.
10个核心主题簇
491个公开项目报告
97个用户痛点
Three reader questions
先回答三件事，再进入证据。
怎么分析？
先按机制分层，再按证据强度复查
自进化、邻近基础设施、评估工具和趋势信号不能混成一个结论；每个主题都要说明边界。
哪些能相信？
有验证、有保留、有失败记录的更可信
数字只说明覆盖范围；可信判断必须回到论文、项目报告、benchmark、原始仓库或公开数据。
Reader questions
十个应该带着读的问题
第一次理解 · 问题 1
什么才算严格意义上的自进化智能体
What counts as a self-evolving AI agent
这个系统真的在改进自己，还是只是一个固定 workflow?
Survey 角色：Survey 的定义入口：可变对象、反馈信号、评估器、保留机制和回滚路径。
证据基础：README、paper introduction、resource coverage audit 已经把 self-evolution 从标签改写成可审计系统过程。
下一步线索：读完定义后，对照 AutoML、online learning 和普通 workflow，先判断系统到底哪里发生了 retained change。
- 这页回答的问题：这个系统真的在改进自己，还是只是一个固定 workflow?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：读完定义后，对照 AutoML、online learning 和普通 workflow，先判断系统到底哪里发生了 retained change。
Survey 角色：把 196 篇论文和 348 个展示仓库压成机制分类，而不是按项目名分类。
证据基础：Survey data 层有 5 loops、7 method families、6 case studies；mechanisms 页面已经可公开阅读。
下一步线索：读完五类回路后，选择一个代表系统，检查它的 feedback、evaluator、archive 和失败模式是否公开。
- 这页回答的问题：不同项目到底在用哪一种反馈闭环?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：读完五类回路后，选择一个代表系统，检查它的 feedback、evaluator、archive 和失败模式是否公开。
机制与项目比较 · 问题 3
代码自我改进与算法发现
Code self-improvement and algorithm discovery
哪些系统真的会改代码、发现算法，并用 benchmark 留下证据?
Survey 角色：连接 DGM、ADAS、AlphaEvolve、OpenEvolve、FunSearch 等核心系统，是论文证据最集中的簇之一。
证据基础：项目报告、case studies 和 evaluation 章节已经覆盖 code mutation、archive、SWE-bench、HumanEval、算法搜索。
下一步线索：读完 benchmark matrix 后，按 DGM/SICA、AlphaEvolve/OpenEvolve、ADAS/A-Evolve 逐组检查 evaluator 和 retained artifacts。
- 这页回答的问题：哪些系统真的会改代码、发现算法，并用 benchmark 留下证据?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：读完 benchmark matrix 后，按 DGM/SICA、AlphaEvolve/OpenEvolve、ADAS/A-Evolve 逐组检查 evaluator 和 retained artifacts。
机制与项目比较 · 问题 4
记忆、技能与知识进化
Memory, skills, and knowledge evolution
agent 怎样把一次失败变成未来可复用的经验?
Survey 角色：解释 self-evolution 不只发生在模型权重，也发生在 memory、skill library、tool policy 和 retrieval substrate。
证据基础：Survey pain points、Voyager/Reflexion 类案例、memory substrate 项目和 Agent-Swarm Evolve 都指向可审计保留机制。
下一步线索：先看 memory/skill 是否能持久化，再查污染、遗忘、迁移、权限和回滚边界。
- 这页回答的问题：agent 怎样把一次失败变成未来可复用的经验?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：先看 memory/skill 是否能持久化，再查污染、遗忘、迁移、权限和回滚边界。
工程落地与评估 · 问题 5
Agent-Swarm Evolve 与 harness 进化
Agent-Swarm Evolve and harness evolution
多智能体系统的组织结构、角色、拓扑和 handoff 能不能一起进化?
Survey 角色：把用户指定的 agent-swarm evolve 纳入 multi-agent / harness 方向，并和生产运行时、验证器、共享状态连接。
证据基础：analysis/agent-swarm-evolve.md 已把 CORAL、GPTSwarm、metaswarm、swarmclaw、OpenClaw 和 Insight Swarm 作为种子。
下一步线索：阅读 swarm 项目时，按角色、共享状态、handoff、验证器、lineage 和权限边界逐项复核。
- 这页回答的问题：多智能体系统的组织结构、角色、拓扑和 handoff 能不能一起进化?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：阅读 swarm 项目时，按角色、共享状态、handoff、验证器、lineage 和权限边界逐项复核。
工程落地与评估 · 问题 6
评估、治理与 Evolve-AGI Index
Evaluation, governance, and Evolve-AGI Index
怎么避免把 benchmark 热度误读成真实成熟度?
Survey 角色：把 benchmark、闭环强度、证据链、迁移、实现可得性、领域动量和治理准备度压成指数。
证据基础：Evolve-AGI Index 已有权重、趋势快照、公开页面和 README 核心叙事。
下一步线索：读指数页时，把每个 signal 当作问题清单，并回到代表报告和 benchmark 表核对来源。
- 这页回答的问题：怎么避免把 benchmark 热度误读成真实成熟度?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：读指数页时，把每个 signal 当作问题清单，并回到代表报告和 benchmark 表核对来源。
趋势与证据分诊 · 问题 7
2026 GitHub 增长与当前动量
2026 GitHub growth and current momentum
哪些自进化项目正在当前阶段获得真实关注，而不是只靠历史累计 Star?
Survey 角色：把 GitHub 语料从累计热度榜升级成当前动量数据库，为 Evolve-AGI Index 的 field momentum 信号提供证据边界。
证据基础：Star-history database 已有 seed、snapshot、star-events、monthly growth 和 coverage-gated ledger；当前公开页明确区分可判断证据与待抓取 backlog。
下一步线索：读增长页时，先区分累计 star 与 2026 new-star growth；覆盖不足的项目只当候选线索。
- 这页回答的问题：哪些自进化项目正在当前阶段获得真实关注，而不是只靠历史累计 Star?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：读增长页时，先区分累计 star 与 2026 new-star growth；覆盖不足的项目只当候选线索。
趋势与证据分诊 · 问题 8
Value LSH 证据分诊与证据修复
Value LSH classification and evidence repair
这么多项目、论文和内容材料，哪些真的值得先深挖?
Survey 角色：把用户要求的“谁好谁坏、谁有价值谁没价值”转成 26 条 value lines、LSH 近邻、3D projection 和 evidence repair queue。
证据基础：Value LSH 已形成 GitHub、papers、social/X 和 blogs 的全量价值比较层，并把结果公开为 LSH buckets、3D projection 和 evidence repair queue；具体计数以 /value-lsh/ 页面与 analysis/value-lsh-index.md 当前快照为准。
下一步线索：读 Value LSH 时，优先选择 top repair queue 项目，核对 source、facet、标签覆盖度和待补证据。
- 这页回答的问题：这么多项目、论文和内容材料，哪些真的值得先深挖?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：读 Value LSH 时，优先选择 top repair queue 项目，核对 source、facet、标签覆盖度和待补证据。
风险、覆盖与复查 · 问题 9
生产痛点与用户信任边界
Production pain points and trust boundaries
用户真的需要更自主的 agent，还是需要更可靠、可控、低成本的系统?
Survey 角色：用 97 个痛点校验研究方向，防止 survey 只围绕论文 novelty 转。
证据基础：Survey 页面公开了 pain point 分类，paper ch7 把可靠性、成本、权限、记忆污染和可观测性纳入核心。
下一步线索：读 pain points 时，先把问题归到可靠性、成本、可观测性、权限或记忆污染，再找对应证据。
- 这页回答的问题：用户真的需要更自主的 agent，还是需要更可靠、可控、低成本的系统?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：读 pain points 时，先把问题归到可靠性、成本、可观测性、权限或记忆污染，再找对应证据。
风险、覆盖与复查 · 问题 10
资料库覆盖与证据链复查
Resource coverage and evidence traceability
这个资料库到底收了什么、分析了什么、哪些能公开阅读?
Survey 角色：把 raw、processed、work、results 的口径分开，防止公开叙事夸大覆盖。
证据基础：Coverage audit 和 public resource library page 已解释 686 raw GitHub captures、300 analyzed project/model-card reports、491 public project reports、196 survey-display papers 等当前计数边界。
下一步线索：从搜索进入时，先用 topic cluster 缩小范围，再回到项目报告、论文页或 benchmark 证据。
- 这页回答的问题：这个资料库到底收了什么、分析了什么、哪些能公开阅读?
- 证据够强吗，还是只适合排队复核？
- 读完下一步应该复核什么：从搜索进入时，先用 topic cluster 缩小范围，再回到项目报告、论文页或 benchmark 证据。
Recommended next reading
下一步应该把哪些问题讲清楚
| 主题 | 先发布什么 | 为什么值得做 |
|---|---|---|
| 什么才算严格意义上的自进化智能体 | 读完定义后，对照 AutoML、online learning 和普通 workflow，先判断系统到底哪里发生了 retained change。 | Survey 的定义入口：可变对象、反馈信号、评估器、保留机制和回滚路径。 |
| 五类进化回路 | 读完五类回路后，选择一个代表系统，检查它的 feedback、evaluator、archive 和失败模式是否公开。 | 把 196 篇论文和 348 个展示仓库压成机制分类，而不是按项目名分类。 |
| 代码自我改进与算法发现 | 读完 benchmark matrix 后，按 DGM/SICA、AlphaEvolve/OpenEvolve、ADAS/A-Evolve 逐组检查 evaluator 和 retained artifacts。 | 连接 DGM、ADAS、AlphaEvolve、OpenEvolve、FunSearch 等核心系统，是论文证据最集中的簇之一。 |
| 记忆、技能与知识进化 | 先看 memory/skill 是否能持久化，再查污染、遗忘、迁移、权限和回滚边界。 | 解释 self-evolution 不只发生在模型权重，也发生在 memory、skill library、tool policy 和 retrieval substrate。 |
| Agent-Swarm Evolve 与 harness 进化 | 阅读 swarm 项目时，按角色、共享状态、handoff、验证器、lineage 和权限边界逐项复核。 | 把用户指定的 agent-swarm evolve 纳入 multi-agent / harness 方向，并和生产运行时、验证器、共享状态连接。 |