CodeEvolve

研究方向：代码自进化——以代码为载体的自进化：进化式程序搜索与算法发现、自改进编码 Agent、以及软件工程 Agent 的自训练闭环。

研究范畴

代码自进化（code self-evolution）把"代码"同时视为自进化的对象与手段：一方面，LLM 驱动的进化式程序搜索（FunSearch、AlphaEvolve、ShinkaEvolve、OpenEvolve、CodeEvolve）在可自动验证的问题上发现新算法与更优实现；另一方面，编码 Agent 可以修改自身的脚手架与工具（Self-Improving Coding Agent、Darwin Gödel Machine、Live-SWE-agent），形成"写代码的 Agent 改进写代码的 Agent"的递归闭环；再一方面，软件工程 Agent 的训练数据与环境本身也在自动生成与规模化（SWE-smith、SWE-Gym、R2E-Gym、SWE-RL 从开源演化历史学习）。本方向涵盖：自调试与自修复、流程工程（AlphaCodium）、进化式代码优化与算法发现、自改进编码 Agent 的档案与择优策略、可验证奖励下的代码 RL、以及软件工程环境的程序化合成。代码天然具备可执行、可测试、可度量的特点，是自进化闭环最易闭合也最易被作弊的领域，社区关注的核心问题包括：测试用例被"针对性通过"而非真正正确、进化出的代码可读性与可维护性、自修改 Agent 的安全边界，以及从竞赛题到真实仓库级任务的泛化。

研究挑战

• 评估作弊：针对测试用例硬编码、绕过验证器而非真正解决问题。
• 进化出的代码可读性、可维护性与安全性难以保证。
• 自修改编码 Agent 的失控与回滚：错误改动破坏自身能力。
• 从算法竞赛 / 函数级任务到仓库级真实软件工程的泛化。
• 进化搜索的算力与采样成本高，样本效率是关键瓶颈。

自研项目

• EvolveLLM — 博士课题《Toward True ASI》承载仓库，代码自进化是自进化机制综述中最易闭环验证的方向。
• Awesome-RSI — 递归自我改进资源清单，自重写 / 自修复编码 Agent 为重点收录对象。
• CLUB-benchmark (LogicEvolve) — 含代码推理任务族的智能体评测与自进化平台。

相关工作

代码 / 框架

• FunSearch — DeepMind 用 LLM 程序搜索取得数学发现
• AlphaEvolve results — AlphaEvolve 发现的算法与数学结果
• OpenEvolve — AlphaEvolve 开源复现
• ShinkaEvolve — 样本高效的开放式程序进化
• Darwin Gödel Machine (dgm) — 自修改自身代码的编码 Agent
• Self-Improving Coding Agent (SICA) — 编码 Agent 编辑自身代码库以提升性能
• OpenHands — 开源软件开发 Agent 平台
• aider — 终端 AI 配对编程工具
• Agentless — 无 Agent 的定位-修复-验证流程
• AlphaCodium — 从提示工程到流程工程的代码生成
• SWE-smith — 规模化合成软件工程 Agent 训练数据
• SWE-Gym — 训练软件工程 Agent 与验证器的环境
• R2E-Gym — 程序化生成的 SWE 环境与混合验证器
• SWE-RL — 在开源软件演化历史上做 RL

论文

• Evolution through Large Models — ELM：LLM 作为变异算子的程序进化
• Mathematical discoveries from program search with large language models — FunSearch（Nature 2023）
• AlphaEvolve: A coding agent for scientific and algorithmic discovery
• ShinkaEvolve: Towards Open-Ended And Sample-Efficient Program Evolution
• CodeEvolve: an open source evolutionary coding agent for algorithmic discovery and optimization — 同名开源进化编码 Agent
• Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents
• A Self-Improving Coding Agent — SICA
• Live-SWE-agent: Can Software Engineering Agents Self-Evolve on the Fly? — 运行中自进化的 SWE Agent
• Teaching Large Language Models to Self-Debug
• Code Generation with AlphaCodium: From Prompt Engineering to Flow Engineering
• Agentless: Demystifying LLM-based Software Engineering Agents
• SWE-RL: Advancing LLM Reasoning via Reinforcement Learning on Open Software Evolution
• SWE-smith: Scaling Data for Software Engineering Agents
• Training Software Engineering Agents and Verifiers with SWE-Gym
• R2E-Gym: Procedural Environments and Hybrid Verifiers for Scaling Open-Weights SWE Agents