达尔文哥德尔机器：
自改进智能体的开放式进化

达尔文哥德尔机器（DGM） 的代码仓库，这是一个新颖的自改进系统，能够迭代地修改自身的代码（从而进一步提升其修改自身代码库的能力），并使用编程基准测试对每次更改进行实证验证。

环境搭建

# API密钥，添加到~/.bashrc中
export OPENAI_API_KEY='...'
export ANTHROPIC_API_KEY='...'

# 检查 Docker 是否已在您的环境中正确配置。
docker run hello-world
 
# 如果出现权限错误，请将当前用户添加到 Docker 组
sudo usermod -aG docker $USER
newgrp docker

# 安装依赖
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt

# 可选：用于运行分析
sudo apt-get install graphviz graphviz-dev
pip install -r requirements_dev.txt

# 克隆 SWE-bench
cd swe_bench
git clone https://github.com/princeton-nlp/SWE-bench.git
cd SWE-bench
git checkout dc4c087c2b9e4cefebf2e3d201d27e36
pip install -e .
cd ../../

# 准备 Polyglot
# 确保您的 Git 环境已正确配置用户名和邮箱
python -m polyglot.prepare_polyglot_dataset

运行 DGM

python DGM_outer.py

默认情况下，输出将保存在 output_dgm/ 目录中。

文件结构

• analysis/ 用于绘图和分析的脚本
• initial/ SWE-bench 日志及初始智能体的性能数据
• initial_polyglot/ Polyglot 日志及初始智能体的性能数据
• swe_bench/ 用于 SWE-bench 评估的代码
• polyglot/ 用于 Polyglot 评估的代码
• prompts/ 基础模型使用的提示词
• tests/ DGM 系统的测试用例
• tools/ 基础模型可用的工具
• coding_agent.py 初始编码智能体的主要实现
• DGM_outer.py DGM 算法的入口文件

实验日志

此 Google Drive 文件夹 包含论文中展示的所有实验的基础模型输出日志。

安全注意事项

[!WARNING]
本仓库涉及执行由模型生成的不可信代码。我们强烈建议用户充分意识到相关的安全风险。尽管在当前设置和所使用的模型下，此类代码极不可能执行明显的恶意行为，但由于模型能力或对齐方面的局限性，仍有可能表现出破坏性行为。使用本仓库即表示您已知悉并接受这些风险。

致谢

评估框架的实现基于 SWE-bench 和 polyglot-benchmark 两个仓库。

引用

如果您觉得本项目有用，请考虑引用以下内容：

@article{zhang2025darwin,
  title={Darwin Godel Machine: Open-Ended Evolution of Self-Improving Agents},
  author={Zhang, Jenny and Hu, Shengran and Lu, Cong and Lange, Robert and Clune, Jeff},
  journal={arXiv preprint arXiv:2505.22954},
  year={2025}
}

Darwin Gödel Machine (DGM) 快速上手指南

Darwin Gödel Machine (DGM) 是一个新颖的自我改进系统，能够迭代修改自身代码（包括提升修改代码库的能力），并通过编程基准测试实证验证每一次更改。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux 或 macOS (Windows 用户建议使用 WSL2)
• Python: Python 3.8+
• Docker: 必须安装并正确配置，用于隔离运行生成的代码。
• Git: 用于克隆依赖仓库。
• API Keys: 需要有效的 OpenAI 和 Anthropic API 密钥。
• 系统依赖: 若需运行分析脚本，需安装 graphviz。

安装步骤

1. 配置 API 密钥

将您的 API 密钥添加到环境变量中（建议写入 ~/.bashrc 或 ~/.zshrc）：

export OPENAI_API_KEY='...'
export ANTHROPIC_API_KEY='...'

2. 配置 Docker

验证 Docker 是否正常工作。如果遇到权限错误，请将当前用户加入 docker 组：

docker run hello-world
 
# 如果出现权限错误，执行以下命令
sudo usermod -aG docker $USER
newgrp docker

3. 安装 Python 依赖

创建虚拟环境并安装核心依赖：

python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt

(可选) 如需运行分析绘图脚本，请安装额外依赖：

sudo apt-get install graphviz graphviz-dev
pip install -r requirements_dev.txt

4. 准备评估基准 (SWE-bench & Polyglot)

DGM 依赖 SWE-bench 和 Polyglot 进行自我验证，需按以下步骤克隆和配置：

配置 SWE-bench:

cd swe_bench
git clone https://github.com/princeton-nlp/SWE-bench.git
cd SWE-bench
git checkout dc4c087c2b9e4cefebf2e3d201d27e36
pip install -e .
cd ../../

配置 Polyglot: 注意：请确保已配置 git 用户名和邮箱 (git config --global user.name "..." 和 git config --global user.email "...")。

python -m polyglot.prepare_polyglot_dataset

基本使用

完成上述安装后，即可启动 DGM 系统。系统将自动开始迭代自我改进过程，并将输出日志保存在 output_dgm/ 目录中。

启动命令：

python DGM_outer.py

⚠️ 安全警告 本仓库涉及执行由模型生成的不可信代码。虽然在我们当前的设置和使用的模型下，代码执行恶意操作的可能性极低，但由于模型能力或对齐的限制，仍可能存在破坏性行为。使用该仓库即表示您已知晓并接受相关安全风险。建议在隔离环境（如 Docker 容器或虚拟机）中运行。