AI Agents That Evolve on Their Own Are Here, and They're Learning From Mistakes

title: “AI som skriver sina egna uppgraderingar är inte längre science fiction – nu finns det på GitHub” description: Den långdrömda fantasin om AI som skriver sina egna uppgraderingar har officiellt lämnat science fiction-hyllan och landat direkt i ett GitHub-repo nära dig. Medan idén om självutvecklande agenter har bubblat under en stund, är det en ny våg av open source-projekt som förvandlar konceptet till en praktisk, om än lite obehaglig, verklighet. I frontlinjen finns MetaClaw, ett ramverk för agenter som skapar nya färdigheter från misslyckanden, och AutoResearch, ett minimalistiskt verktyg från AI-profilen Andrej Karpathy som sätter LLM-utvecklingen på autopilot.

MetaClaw, utvecklat av AIMING Lab vid UNC-Chapel Hill, är designat för att lära sig direkt från levande konversationer med användare. Istället för att vänta på massiv offline-omskolning analyserar MetaClaw misslyckade interaktioner och använder en LLM för att automatiskt generera nya “färdigheter” för att förhindra att samma misstag händer två gånger. Systemet tillåter i praktiken en agent att utvecklas över tid genom att lära av sina egna blunder – en funktion som många människor fortfarande väntar på i en mjukvaruuppdatering. Hela projektet finns dokumenterat på länken: MetaClaw GitHub repository.

Att spy bränsle på elden är Andrej Karpathy, tidigare chef för AI på Tesla och grundande medlem av OpenAI. Han har nyligen open sourcat AutoResearch, ett briljant enkelt ramverk som låter en AI-agent autonomt genomföra maskininlärningsexperiment. Agenten modifierar träningskoden, kör ett kort fem minuter långt experiment, utvärderar resultaten och bestämmer sedan om den ska behålla eller förkasta ändringen innan den startar nästa cykel. Som Karpathy torrt noterade kan eran av “köttdatorer” som gör AI-forskning vara på väg att blekna. Projektet finns tillgängligt på länken: AutoResearch GitHub repository.

Idén är inte helt ny, där utvecklare som Máté Benyovszky har noterat sitt arbete med “andra generationens” självutvecklande agenter redan i februari 2026. Ankomsten av robusta open source-ramverk signalerar dock en stor inflektionspunkt.

Varför är detta viktigt?

Statiska AI-modeller som är föråldrade i det ögonblick de distribueras är en massiv flaskhals. Självutvecklande agenter representerar ett fundamentalt skifte från att distribuera en färdig produkt till att släppa ett system som kontinuerligt kan anpassa och förbättras i den verkliga världen. För robotik är implikationerna enorma. Istället för att mödosamt programmera varje möjlig handling och undantag, skulle en robot kunna lära sig nya fysiska färdigheter på egen hand efter att ha misslyckats med en uppgift. Detta är skillnaden mellan en apparat och ett verkligt autonomt system, och det ser ut som att verktygen för att bygga den framtiden äntligen anländer.