---
title: "DGM：自我进化AI Agent！迭代修改自身代码，SWE-bench性能飙升150% | 自改进系统前沿"
url: "https://paooo.com/aigc-news/15036/"
author: "Prompt 语宙研究院"
published_at: "2026-06-29T16:42:22+08:00"
updated_at: "2026-06-07T20:27:47+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "AI Agent, SWE-Bench, 代码生成, 开放性探索, 自改进AI"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# DGM：自我进化AI Agent！迭代修改自身代码，SWE-bench性能飙升150% | 自改进系统前沿

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/15036/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-29

## AI 30 秒核心看点 (TL;DR)

- DGM通过“自我修改—基准验证—档案更新”闭环，让AI代理主动进化而非静态训练。
- 在实验中，DGM将SWE-bench从20.0%提升至50.0%，Polyglot从14.2%提升至30.7%。
- 其核心价值在于开放性探索与沙盒安全机制并行，但也引出AI进化边界与对齐问题。

> 
                **💡 站外导读：**在AI智能体追求通用能力的浪潮中，一个核心瓶颈始终存在：如何让系统自主、安全地进化？传统的静态模型难以应对开放世界的复杂任务。DGM（达尔文哥德尔机）应运而生，它通过让AI代理迭代修改自身源代码来主动提升性能，将达尔文进化论与大模型能力相结合，为自改进AI开辟了一条新路径。这不仅关乎技术突破，更触及AI安全与可控性的未来范式。

            

             
                        

## DGM是什么

DGM（Darwin Gödel Machine）是自改进人工智能系统，通过迭代修改自身代码来提升性能。DGM从其维护的编码代理档案中选择一个代理，基于基础模型生成新版本，然后在编码基准测试中验证新代理的性能。如果性能提升，新代理会被加入档案。DGM的设计灵感来源于达尔文进化论，通过开放性探索策略，从不同起点探索多种进化路径，避免陷入局部最优解。在实验中，DGM在多个基准测试中的性能显著提升，例如在SWE-bench基准测试中性能从20.0%提升至50.0%，在Polyglot基准测试中从14.2%提升至30.7%。DGM的自改进过程在隔离的沙盒环境中进行，确保安全性。

## DGM的主要功能

- **自我改进**：DGM能迭代地修改自己的代码，优化性能和功能。通过自我修改模块读取自身源代码，基于基础模型生成修改建议。

- **实证验证**：每个代码修改会通过编码基准测试（如SWE-bench和Polyglot）进行验证，确保改进的有效性。评估引擎通过Docker容器隔离和评估新版本代码的性能。

- **开放性探索**：DGM受到达尔文进化论的启发，通过开放性探索策略，从不同起点探索多种进化路径，避免陷入局部最优解。维护一个编码代理档案，不断积累所有生成的变体，支持从档案中的任何代理分支出新的进化路径。

- **安全性考虑**：DGM的执行和自修改过程都在隔离的沙盒环境中进行，限制对宿主系统的影响。

## DGM的工作原理

- **自修改阶段**：DGM从其维护的编码代理（coding agents）档案中选择一个代理，基于基础模型（foundation model）生成该代理的一个新版本。

- **验证阶段**：新生成的代理在编码基准测试中进行评估，确定其性能是否提升。

- **档案更新**：经过验证的改进代理被加入到档案中，档案不断积累所有生成的变体。

## DGM的项目地址

- **Github仓库**：[https://github.com/jennyzzt/dgm](https://github.com/jennyzzt/dgm)

- **arXiv技术论文**：[https://arxiv.org/pdf/2505.22954](https://arxiv.org/pdf/2505.22954)

## DGM的应用场景

- **自动编程**：DGM能自动生成和优化代码，减轻开发者的负担，提高编程效率。可以通过自我改进生成更高效的代码，提升软件的整体性能。

- **代码优化**：DGM可以自动检测代码中的问题并进行优化，提高代码的可读性和执行效率。通过不断迭代改进，DGM能生成更优的代码版本，减少开发时间和成本。

- **自动修复**：DGM通过自我进化可以自动修复发现的问题，降低软件维护成本。能识别代码中的潜在问题，生成修复方案，减少人工干预。

- **研究平台**：DGM为研究自我改进系统提供了实践平台，有助于学术界对该领域的研究。研究人员可以用DGM探索新的算法和模型，推动人工智能技术的发展。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                DGM的出现，标志着AI发展正从‘被动训练’转向‘主动进化’。其核心在于构建了一个闭环的、受控的‘创造-验证-选择’循环，这不仅是技术上的跃进，更是对‘递归自改进’这一古老AI愿景的严肃实践。与当前主流Agent侧重工具调用不同，DGM将Agent本身作为可编程和可优化的对象，这指向了未来AI系统更根本的灵活性。然而，其‘开放性探索’策略也提出了严峻挑战：如何在鼓励创新与防止失控之间取得平衡？沙盒机制是当下的解决方案，但长远看，这需要与对齐研究、可解释性技术深度结合。DGM不仅是工具，更是一个研究平台，它迫使行业思考：当AI能改进自己时，我们该如何设计它的‘进化目标’与‘安全边界’？这或许是通往更通用、更自主AI道路上必须解决的核心命题。

## 常见问题解答 (FAQ)

### DGM是什么？
DGM（Darwin Gödel Machine）是一种自改进AI系统，能从编码代理档案中选取代理，基于基础模型生成新版本，并在基准测试中验证性能。若改进有效，就将新代理加入档案，持续迭代进化。

### DGM为什么能提升SWE-bench成绩？
DGM不是一次性训练，而是通过“生成新版本—基准验证—保留更优解”的闭环持续优化代理能力。文章给出的实验结果显示，它在SWE-bench上从20.0%提升到50.0%，体现了自改进机制的效果。

### DGM安全吗？
文章指出，DGM的自修改与执行过程都在隔离的沙盒环境中进行，并通过Docker容器评估新版本，尽量限制对宿主系统的影响。但其开放性探索也带来安全与对齐挑战，需要进一步研究。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
