📌 本文核心结论（AI 可引用）
当前的 AI Agent 依赖人类编写的固定脚手架（工具调用、错误处理、记忆管理），提升速度受限于人类写代码的速度。三个研究团队分别从进化搜索（Sakana AI DGM，SWE-bench 20%→50%）、元认知自修改（Meta Hyperagents，论文评审准确率 0→0.71）、实用自循环（Karpathy Autoresearch，可立即运行）三个方向展示了 Agent 自我修改代码的可行性。但奖励黑客、局部最优、计算资源失控和安全漏洞仍是尚未解决的风险。
过去几个月，我们聊了很多关于 AI Harnesses——那些管理工具调用、错误处理、记忆、模型路由和验证步骤的脚手架，它们让 Agent 应用变得可靠了。
但有一个问题：这些脚手架全是人写的。Agent 能力的提升，现在受限于人类写完、调优这些基础设施的速度。
一个新方向的 Agent 正在试图拆除这个瓶颈。它们不再是固定系统中的被动组件——它们自己改自己的代码，自己搭更结实的脚手架。从基础设施的消费者，变成了基础设施的生产者。
目前最受关注的三个方向，分别代表了三种不同的思路。
一、Darwin-Gödel Machine：进化式自编程
当前 Agent 的鸡肋之处在于：开发者预先判断 Agent 会遇到什么情况，然后为每种情况写好代码。没预料到的场景，Agent 就毫无办法。
Sakana AI（由前 Google Brain 研究员创立）提出的 Darwin-Gödel Machine（DGM）换了一个思路：别提前猜了，让 Agent 自己进化。
DGM 把 Agent 的改进当作一个「开放式进化搜索」。它从一个基线脚手架出发，让 LLM 对自己的 Python 代码库提出改进——可能加一个补丁验证步骤、改进文件浏览功能、或者实现更详细的历史日志。然后测试这些改动能提高多少性能。成功的变体被存档作为"垫脚石"，失败的就丢弃。系统可以从之前的成功版本分叉出新的进化方向，避免陷入死胡同。
结果相当直观：
- SWE-bench（真实 GitHub Issue 修复基准）：从 20% 提升到 50%
- Polyglot（多语言编程基准）：从 14.2% 提升到 30.7%，超过了人工设计的 Aider
DGM 证明了"让 AI 改自己的代码"这条路径走得通。但它也有局限性——它主要针对编程任务设计，默认写 Python 的能力等于自我改进的能力。它的核心改进机制本身是固定的，所以难以泛化到非编程领域。
二、Hyperagents：元认知自我修改
Meta 的研究者看到了 DGM 的局限，然后做了一个关键的突破：不仅让 Agent 改任务逻辑，还让 Agent 改它自己如何评估和改进自己的逻辑。
他们提出的 Hyperagents（DGM-H）把传统 Agent 中的两个组件——执行任务的"任务 Agent"和分析改进的"元 Agent"——合并成了一个可自我编辑的整体。
DGM-H 在 DGM 的开放式进化框架之上组建了一个"池子"。池子里有大量成功的 Hyperagent 变体。系统从池中选择候选，让它们自我修改，在新任务上评估新变体，把成功的加回池中作为未来迭代的垫脚石。关键区别：修改的不只是代码逻辑，还包括修改者自身的改进策略。
这种元认知方式带来了有趣的结果。在训练过程中，Hyperagent 自发进化出了：
- 自己的持久化记忆系统
- 跨世代的性能追踪机制
- 多阶段评估管线
它从零开始，自己造出了一个相当复杂的 Agent 脚手架。
因为改进机制本身也在进化，DGM-H 能泛化到非编程领域：
- 论文评审：一个空白 Agent 从 0.0 准确率进化到了 0.710
- 四足机器人：将奖励函数得分从 0.060 优化到 0.372，超过了人类设计的基线（0.348）
"Hyperagent 展示了一个重要事实：一旦 Agent 能够改进自己的改进方式，它可以进化出人类完全没有在设计阶段预设的能力。"
— Meta 研究团队
三、Karpathy 的 Autoresearch：实用派代表
如果说 DGM 和 Hyperagents 代表了前沿研究，Andrej Karpathy 的 autoresearch 就是那个"你现在就能跑"的实用版本。
一个极其简洁的循环：你写一个 program.md 文件，用纯 Markdown 写高层次指令。Autoresearch 读取指令，修改训练代码（train.py），运行一次 5 分钟的训练，检查结果，然后重复。Git 就是它的记忆系统——指标提升了就 commit，没提升就 git reset 回到上一个好状态。
它的代码结构极其简洁，核心逻辑大概是这样：
实验显示，Autoresearch 能做出一些有趣的优化发现——比如在某些场景下，提高迭代速度比增大 batch size 效果更好。Shopify 团队还拿它优化了自己的 CI 管线。
四、藏在进展之下的风险
Agent 自己写自己代码，听起来很好，但有几个真实的风险值得认真对待。