Darwin Godel Machine: Open-Ended Evolution of Self-Improving Agents

Coding Agent 的表现同时受 Base Model 和外层程序限制：相同 Model，整文件重写可能耗尽 Context，精确编辑工具却能完成任务。若改进这些工具仍依赖人，部署后的失败经验就很难持续变成系统能力。DGM 关心的价值，是让一次失败推动可保留、可复用的 Agent 实现变化。

可以从两个失败模式推起。第一，错误日志包含具体修复线索，单一分数无法告诉程序该改哪个工具。第二，贪心搜索会丢掉暂时昂贵、但可能支持新功能的版本。已有 Coding Agent 能读日志并改仓库，因而自然可以把被修改仓库换成 Agent 自身；再保留多条分支，让新增功能有机会在后代中被利用。这是机制重建，不能证明作者当时确实如此思考。

self-modification 可能需要先保留暂时不领先的方案，再把它们作为后续创新的起点。DGM 将经验验证与多分支档案结合，使新工具或流程有机会在后代中发挥作用；recursion 之处在于负责修改代码的 Agent 也使用演化后的自身实现。

沿用论文真实的 Code Editing 场景：输入是一个父代 Agent 的源码、历史版本与编程任务日志。初始实现只能整文件编辑，修改者据此加入更精细的编辑工具。候选先通过基本运行与自我编辑检查，再在指定任务上执行，输出新版源码及成绩，进入 Archive。下一轮可以选用这个 Agent 修改另一个版本。这里被保存的是 Agent 工具实现；用户仓库中的补丁只是评估其能力的产物。

这篇论文没有给出开放式进步的收敛定理。先理解最简单的 Fitness：N 道题每题通过记 1，否则记 0，加总后除以 N 就是成功比例。这个值用于比较候选，但 Archive 还保留不领先的可运行版本。若测试集很小，两个分数之差可能来自采样噪声；若测试集被反复用于选择，最高分还会包含 Selection Bias。因此，Fitness 上升与真实泛化提高需要两组数据分别测量。

J(A) = (1/N) Σᵢ 𝟙[A solves task i]
A: Agent implementation; N: evaluation tasks
𝟙[condition] = 1 if true, otherwise 0

阅读 DGM 时应同时保存三条轨迹：当前最强 Solver、Archive 的组成、实际承担修改工作的父代。只看最佳分数曲线会隐藏绕路与失败，也无法解释后继从哪里来。代码中的 Recursive Reuse 有直接机制证据；长期改进速度是否提高，需要更强的因果对照。

最脆弱的假设是：擅长解决 Coding Benchmark 的 Agent，也更擅长修改负责解决问题的机制。任务执行与改进策略可能需要不同能力。某个新工具提高 Solver 分数，却让后续修改更加复杂，就会让这两者脱钩。

foundation model weights 冻结，开放探索中的档案维护与父代选择也固定；benchmark 得分提升是代码系统改进证据，不能直接推出全系统无约束 recursive evolution。