[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jennyzzt--dgm":3,"tool-jennyzzt--dgm":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":110,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":115},7885,"jennyzzt\u002Fdgm","dgm","Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents","Darwin Gödel Machine（DGM）是一个前沿的开源系统，旨在实现智能体的“开放式进化”。它的核心目标是解决人工智能如何自主、持续地提升自身能力这一难题。与传统依赖人工更新代码的 AI 不同，DGM 能够像生物进化一样，迭代式地修改自身的源代码，并在每次修改后通过专业的编程基准测试（如 SWE-bench 和 Polyglot）进行实证验证。更独特的是，它在优化代码的同时，也提升了自我修改的能力，形成了一种良性循环的自改进机制。\n\n该项目特别适合人工智能研究人员、大模型开发者以及对自主智能体演化感兴趣的技术探索者使用。通过 DGM，用户可以观察和研究智能体如何在没有人类直接干预的情况下，通过试错和验证不断变得更强大。其技术亮点在于将“哥德尔机”的理论构想转化为可运行的现实系统，结合了基础大模型的代码生成能力与严格的自动化评估流程。需要注意的是，由于系统会执行模型生成的未知代码，使用时需具备一定的安全意识和技术环境隔离能力。DGM 为探索通用人工智能的自我进化路径提供了一个宝贵的实验平台。","\u003Ch1 align=\"center\">\n    Darwin Gödel Machine:\u003Cbr\u002F>Open-Ended Evolution of Self-Improving Agents\n\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjennyzzt\u002Fdgm\u002Fblob\u002Fmain\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg?style=for-the-badge\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2505.22954\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2505.22954-b31b1b.svg?logo=arxiv&style=for-the-badge\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fsakana.ai\u002Fdgm\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Blog-%238D6748?style=for-the-badge&logo=Website&logoColor=white\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fx.com\u002FSakanaAILabs\u002Fstatus\u002F1928272612431646943\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftwitter-%230077B5.svg?&style=for-the-badge&logo=twitter&logoColor=white&color=00acee\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Kcu9TbIa9Z50pJ7S6hH9omzzD1pxIYZC?usp=sharing\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FExperiment%20Logs-4285F4?style=for-the-badge&logo=googledrive&logoColor=white\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\nRepository for **Darwin Gödel Machine (DGM)**, a novel self-improving system that iteratively modifies its own code (thereby also improving its ability to modify its own codebase) and empirically validates each change using coding benchmarks.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjennyzzt_dgm_readme_400064c50b8b.gif\" width=\"100%\" height=\"auto\" \u002F>\n\u003C\u002Fp>\n\u003C!-- \u003Cp align=\"center\">\n\u003Cimg src=\".\u002Fmisc\u002Fconceptual.svg\"\u002F>\u003C\u002Fa>\u003Cbr>\n\u003C\u002Fp> -->\n\n\n## Setup\n```bash\n# API keys, add to ~\u002F.bashrc\nexport OPENAI_API_KEY='...'\nexport ANTHROPIC_API_KEY='...'\n```\n\n```bash\n# Verify that Docker is properly configured in your environment.\ndocker run hello-world\n \n# If a permission error occurs, add the user to the Docker group\nsudo usermod -aG docker $USER\nnewgrp docker\n```\n\n```bash\n# Install dependencies\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\npip install -r requirements.txt\n\n# Optional: for running analysis\nsudo apt-get install graphviz graphviz-dev\npip install -r requirements_dev.txt\n```\n\n```bash\n# Clone SWE-bench\ncd swe_bench\ngit clone https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002FSWE-bench.git\ncd SWE-bench\ngit checkout dc4c087c2b9e4cefebf2e3d201d27e36\npip install -e .\ncd ..\u002F..\u002F\n\n# Prepare Polyglot\n# Make sure git is properly configured in your environment with username and email\npython -m polyglot.prepare_polyglot_dataset\n```\n\n## Running the DGM\n```bash\npython DGM_outer.py\n```\nBy default, outputs will be saved in the `output_dgm\u002F` directory.\n\n## File Structure\n- `analysis\u002F` scripts used for plotting and analysis\n- `initial\u002F` SWE-bench logs and performance of the initial agent\n- `initial_polyglot\u002F` Polyglot logs and performance of the initial agent\n- `swe_bench\u002F` code needed for SWE-bench evaluation\n- `polyglot\u002F` code needed for Polyglot evaluation\n- `prompts\u002F` prompts used for foundation models\n- `tests\u002F` tests for the DGM system\n- `tools\u002F` tools available to the foundation models\n- `coding_agent.py` main implementation of the initial coding agent\n- `DGM_outer.py` entry point for running the DGM algorithm\n\n## Logs from Experiments\nThis [google drive folder](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Kcu9TbIa9Z50pJ7S6hH9omzzD1pxIYZC?usp=sharing) contains all the foundation model output logs from the experiments shown in the paper.\n\n## Safety Consideration\n> [!WARNING]  \n> This repository involves executing untrusted, model-generated code. We strongly advise users to be aware of the associated safety risks. While it is highly unlikely that such code will perform overtly malicious actions under our current settings and with the models we use, it may still behave destructively due to limitations in model capability or alignment. By using this repository, you acknowledge and accept these risks.\n\n## Acknowledgement\n\nThe evaluation framework implementations are based on the [SWE-bench](https:\u002F\u002Fgithub.com\u002Fswe-bench\u002FSWE-bench) and [polyglot-benchmark](https:\u002F\u002Fgithub.com\u002FAider-AI\u002Fpolyglot-benchmark) repositories.\n\n## Citing\nIf you find this project useful, please consider citing:\n```bibtex\n@article{zhang2025darwin,\n  title={Darwin Godel Machine: Open-Ended Evolution of Self-Improving Agents},\n  author={Zhang, Jenny and Hu, Shengran and Lu, Cong and Lange, Robert and Clune, Jeff},\n  journal={arXiv preprint arXiv:2505.22954},\n  year={2025}\n}\n```\n","\u003Ch1 align=\"center\">\n    达尔文哥德尔机器：\u003Cbr\u002F>自改进智能体的开放式进化\n\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjennyzzt\u002Fdgm\u002Fblob\u002Fmain\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg?style=for-the-badge\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2505.22954\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2505.22954-b31b1b.svg?logo=arxiv&style=for-the-badge\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fsakana.ai\u002Fdgm\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Blog-%238D6748?style=for-the-badge&logo=Website&logoColor=white\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fx.com\u002FSakanaAILabs\u002Fstatus\u002F1928272612431646943\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftwitter-%230077B5.svg?&style=for-the-badge&logo=twitter&logoColor=white&color=00acee\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Kcu9TbIa9Z50pJ7S6hH9omzzD1pxIYZC?usp=sharing\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FExperiment%20Logs-4285F4?style=for-the-badge&logo=googledrive&logoColor=white\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\n**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。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjennyzzt_dgm_readme_400064c50b8b.gif\" width=\"100%\" height=\"auto\" \u002F>\n\u003C\u002Fp>\n\u003C!-- \u003Cp align=\"center\">\n\u003Cimg src=\".\u002Fmisc\u002Fconceptual.svg\"\u002F>\u003C\u002Fa>\u003Cbr>\n\u003C\u002Fp> -->\n\n\n## 环境搭建\n```bash\n# API密钥，添加到~\u002F.bashrc中\nexport OPENAI_API_KEY='...'\nexport ANTHROPIC_API_KEY='...'\n```\n\n```bash\n# 检查 Docker 是否已在您的环境中正确配置。\ndocker run hello-world\n \n# 如果出现权限错误，请将当前用户添加到 Docker 组\nsudo usermod -aG docker $USER\nnewgrp docker\n```\n\n```bash\n# 安装依赖\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\npip install -r requirements.txt\n\n# 可选：用于运行分析\nsudo apt-get install graphviz graphviz-dev\npip install -r requirements_dev.txt\n```\n\n```bash\n# 克隆 SWE-bench\ncd swe_bench\ngit clone https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002FSWE-bench.git\ncd SWE-bench\ngit checkout dc4c087c2b9e4cefebf2e3d201d27e36\npip install -e .\ncd ..\u002F..\u002F\n\n# 准备 Polyglot\n# 确保您的 Git 环境已正确配置用户名和邮箱\npython -m polyglot.prepare_polyglot_dataset\n```\n\n## 运行 DGM\n```bash\npython DGM_outer.py\n```\n默认情况下，输出将保存在 `output_dgm\u002F` 目录中。\n\n## 文件结构\n- `analysis\u002F` 用于绘图和分析的脚本\n- `initial\u002F` SWE-bench 日志及初始智能体的性能数据\n- `initial_polyglot\u002F` Polyglot 日志及初始智能体的性能数据\n- `swe_bench\u002F` 用于 SWE-bench 评估的代码\n- `polyglot\u002F` 用于 Polyglot 评估的代码\n- `prompts\u002F` 基础模型使用的提示词\n- `tests\u002F` DGM 系统的测试用例\n- `tools\u002F` 基础模型可用的工具\n- `coding_agent.py` 初始编码智能体的主要实现\n- `DGM_outer.py` DGM 算法的入口文件\n\n## 实验日志\n此 [Google Drive 文件夹](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Kcu9TbIa9Z50pJ7S6hH9omzzD1pxIYZC?usp=sharing) 包含论文中展示的所有实验的基础模型输出日志。\n\n## 安全注意事项\n> [!WARNING]  \n> 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。\n\n## 致谢\n\n评估框架的实现基于 [SWE-bench](https:\u002F\u002Fgithub.com\u002Fswe-bench\u002FSWE-bench) 和 [polyglot-benchmark](https:\u002F\u002Fgithub.com\u002FAider-AI\u002Fpolyglot-benchmark) 两个仓库。\n\n## 引用\n如果您觉得本项目有用，请考虑引用以下内容：\n```bibtex\n@article{zhang2025darwin,\n  title={Darwin Godel Machine: Open-Ended Evolution of Self-Improving Agents},\n  author={Zhang, Jenny and Hu, Shengran and Lu, Cong and Lange, Robert and Clune, Jeff},\n  journal={arXiv preprint arXiv:2505.22954},\n  year={2025}\n}\n```","# Darwin Gödel Machine (DGM) 快速上手指南\n\nDarwin 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。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux 或 macOS (Windows 用户建议使用 WSL2)\n*   **Python**: Python 3.8+\n*   **Docker**: 必须安装并正确配置，用于隔离运行生成的代码。\n*   **Git**: 用于克隆依赖仓库。\n*   **API Keys**: 需要有效的 OpenAI 和 Anthropic API 密钥。\n*   **系统依赖**: 若需运行分析脚本，需安装 `graphviz`。\n\n## 安装步骤\n\n### 1. 配置 API 密钥\n将您的 API 密钥添加到环境变量中（建议写入 `~\u002F.bashrc` 或 `~\u002F.zshrc`）：\n\n```bash\nexport OPENAI_API_KEY='...'\nexport ANTHROPIC_API_KEY='...'\n```\n\n### 2. 配置 Docker\n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：\n\n```bash\ndocker run hello-world\n \n# 如果出现权限错误，执行以下命令\nsudo usermod -aG docker $USER\nnewgrp docker\n```\n\n### 3. 安装 Python 依赖\n创建虚拟环境并安装核心依赖：\n\n```bash\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\npip install -r requirements.txt\n```\n\n*(可选) 如需运行分析绘图脚本，请安装额外依赖：*\n```bash\nsudo apt-get install graphviz graphviz-dev\npip install -r requirements_dev.txt\n```\n\n### 4. 准备评估基准 (SWE-bench & Polyglot)\nDGM 依赖 SWE-bench 和 Polyglot 进行自我验证，需按以下步骤克隆和配置：\n\n**配置 SWE-bench:**\n```bash\ncd swe_bench\ngit clone https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002FSWE-bench.git\ncd SWE-bench\ngit checkout dc4c087c2b9e4cefebf2e3d201d27e36\npip install -e .\ncd ..\u002F..\u002F\n```\n\n**配置 Polyglot:**\n*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 \"...\"`)。*\n\n```bash\npython -m polyglot.prepare_polyglot_dataset\n```\n\n## 基本使用\n\n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\u002F` 目录中。\n\n**启动命令：**\n\n```bash\npython DGM_outer.py\n```\n\n> **⚠️ 安全警告**\n> 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。","某初创公司的核心算法团队正致力于开发一个能自动修复复杂代码库缺陷的 AI 助手，但面临模型能力随时间推移而停滞不前的瓶颈。\n\n### 没有 dgm 时\n- **迭代依赖人工**：每当需要提升代理的编码能力，工程师必须手动分析失败案例、重写提示词或调整架构，耗时数天且难以规模化。\n- **陷入局部最优**：初始设定的代码逻辑固定不变，代理无法突破预设的思维框架，遇到从未见过的新型 Bug 时往往束手无策。\n- **验证成本高昂**：每次尝试新的改进策略都需要人工编写测试脚本并运行基准测试，反馈周期长，导致试错效率极低。\n- **缺乏自我进化**：代理无法从历史错误中自动提炼通用规则，同样的错误在不同项目中反复出现，无法形成累积性的智能增长。\n\n### 使用 dgm 后\n- **自主代码重构**：dgm 能自动分析自身在 SWE-bench 等基准上的失败记录，直接修改自身的源代码（包括推理逻辑和工具调用方式），无需人工干预。\n- **开放式能力演进**：通过达尔文式的进化机制，dgm 不断生成并验证新的变体，成功突破了初始模型的能力上限，学会了处理更复杂的边缘情况。\n- **自动化闭环验证**：系统内置了严格的评估流程，每行生成的自我改进代码都会立即在沙箱环境中运行测试，只有性能提升的版本会被保留。\n- **持续智能积累**：dgm 在多次迭代中形成了独特的“解题直觉”，其修改后的代码库比初始版本更精简、高效，实现了真正的自我完善。\n\ndgm 将静态的 AI 代理转变为能够像生物一样通过“变异 - 选择”机制持续进化的生命体，彻底解决了传统模型一旦部署便停止成长的难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjennyzzt_dgm_c55be65e.png","jennyzzt","Jenny Zhang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjennyzzt_5201a7ba.png",null,"jennyzhangzt","jennyzhangzt.com","https:\u002F\u002Fgithub.com\u002Fjennyzzt",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",55.6,{"name":85,"color":86,"percentage":87},"Shell","#89e051",44.3,{"name":89,"color":90,"percentage":91},"Dockerfile","#384d54",0.1,1998,405,"2026-04-14T06:24:29","Apache-2.0",4,"Linux, macOS","未说明",{"notes":100,"python":101,"dependencies":102},"1. 必须安装并正确配置 Docker，若遇权限错误需将用户加入 docker 组。\n2. 需要配置 OpenAI 和 Anthropic 的 API 密钥。\n3. 运行分析功能需额外安装 graphviz 系统库。\n4. 需手动克隆特定版本的 SWE-bench 仓库并安装。\n5. 需配置 Git 用户名和邮箱以准备 Polyglot 数据集。\n6. 【安全警告】本项目涉及执行模型生成的不可信代码，存在潜在破坏风险，使用者需自行承担安全责任。","3.x (通过 python3 -m venv 推断)",[103,104,105,106,107,108,109],"Docker","graphviz","graphviz-dev","SWE-bench","Polyglot","OpenAI API","Anthropic API",[35,13,111],"其他","2026-03-27T02:49:30.150509","2026-04-16T08:12:34.990941",[],[]]