DGM

DGM（Darwin Gödel Machine） 是一款由 Sakana AI 推出的自我改进型 AI Agent 系统，旨在通过自动修改自身代码，实现持续性能优化。该系统结合了达尔文进化理论和哥德尔完备性原理，能够在无需人工干预的情况下，自主探索和演化，提升任务完成效率。

🧠 DGM 是什么？

DGM 是一种具备自我进化能力的 AI Agent 系统。它通过迭代修改自身代码，提升自身性能，广泛应用于自动编程、代码优化、自动修复等领域。DGM 的核心理念是通过开放式探索和自我改进，实现 AI 系统的持续进化。

🚀 如何使用 DGM？

1. 获取源码：访问 GitHub 仓库 下载 DGM 的源代码。

2. 配置环境：根据项目文档，配置所需的运行环境，包括依赖库和基础模型。

3. 初始化代理：从编码代理档案库中选择一个基础代理版本，作为起点。

4. 执行自我改进：运行 DGM，系统将自动生成新的代理版本，并进行性能评估。

5. 部署应用：将经过验证的代理版本部署到实际应用中，实现自动化任务处理。

🔧 主要功能

• 自我进化能力：DGM 能够自主识别和修改自身代码，通过内置的自我改进模块读取源代码，并基于基础模型生成优化建议。

• 严格验证体系：每次代码变更都会经过严格的基准测试（如 SWE-bench 和 Polyglot 测试），确保更新的安全性和稳定性。

• 多元化进化路径：通过维护一个编码代理档案库，DGM 能够从不同起点探索多种可能的进化路径，提升改进的成功率。

• 安全运行机制：所有自修改操作均在严格的沙盒环境中执行，有效隔离潜在风险，确保对宿主系统的影响降至最低。

⚙️ 技术原理

DGM 的核心技术基于达尔文进化论和哥德尔完备性原理。系统通过以下流程实现自我改进：

1. 代理选择：从编码代理档案库中选择一个基础代理版本。

2. 新版本生成：利用基础模型，为选定的代理生成新的优化版本。

3. 性能验证：在标准化测试环境中对新版本进行评估，确保性能提升。

4. 更新档案库：将经过验证的改进版本整合到编码代理档案库中，作为后续进化的起点或分支。

这种开放式的探索策略，使 DGM 能够在搜索空间中并行探索多种不同的路径，持续提升自身性能。

🎯 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。

• 代码优化：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。

• 自动修复：通过自我进化自动修复发现的问题，降低软件维护成本。

• 研究平台：为研究自我改进系统提供实践平台，推动人工智能技术的发展。

📂 项目地址

• GitHub 仓库：https://github.com/jennyzzt/dgm

• 技术论文：arXiv:2505.22954