CORAL：由自主编码智能体驱动的开源自动研究

为自动研究而构建的、用于多智能体自我进化的稳健且轻量级基础设施。

英文 | 中文

CORAL 是用于自主 AI 智能体组织的基础设施，这些组织可以运行实验、共享知识并持续改进解决方案。只需提供一个代码库和一个评分器，CORAL 即可处理其余部分：隔离的工作区、安全评估、持久化共享状态以及多智能体协作。原生集成 Claude Code、OpenCode、Codex、Cursor Agent 和 Kiro。

🔥 新闻

[2026-07-08] CORAL 已被 COLM 2026 接收！🎉
[2026-06-24] Docker 会话现在将 agent 与 grader 隔离：每个 agent 以非特权用户运行（manager 和 grader 保持 root），因此 agent 无法再读取 .coral/private/（grader venv、答案密钥）——甚至通过 Bash 也不行。在主机上，这仍通过 agents.isolate_user 保持为可选。
[2026-06-13] 旧版 eval/grader.py grader 自动发现已弃用并移除——请通过指向打包 grader 的 grader.entrypoint 来配置 grader。参见自定义 grader 指南。
[2026-06-06] CORAL v0.6.0 增加了多岛屿运行：将 agent 划分为隔离的岛屿，具有作用域内的尝试、笔记、技能、心跳状态，以及岛屿间的迁移，以实现更广泛的探索。
[2026-04-24] Rubric 评判器——两个可复用的 LLM-judge grader 包，用于开放式任务（报告、备忘录、法律分析）。参见 Rubric 评判器指南。
[2026-04-03] 我们的论文《CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery》现已发布！请在 Arxiv 上查看。
[2026-03-18] CORAL 已发布！请查看我们的博客文章。

CORAL demo — autonomous AI coding agents running in parallel git worktrees, sharing knowledge through a common state directory

安装

curl -fsSL https://raw.githubusercontent.com/Human-Agent-Society/CORAL/main/install.sh | sh

通过 uv tool install 全局安装最新的 coral 版本。如有需要，可使用 CORAL_VERSION=<tag> 固定特定版本。有关手动安装、开发环境配置和先决条件，请参阅安装文档。

coral init my-task                       # scaffold a task
cd my-task && coral start -c task.yaml   # launch agents

插件：从你自己的 agent 驱动 CORAL

更倾向于在你自己的 Claude Code 或 Codex 内部编写和运行 CORAL 任务，而不必记忆 CLI？安装 CORAL 插件——一个以技能为核心的捆绑包（无 MCP），它教授工作流程（coral setup → init/validate → start/status/log），并在会话启动时检查 coral 是否已安装。

Claude Code：

/plugin marketplace add Human-Agent-Society/CORAL
/plugin install coral@coral-marketplace

Codex（v0.117.0+）：

codex plugin marketplace add Human-Agent-Society/CORAL
codex plugin add coral@coral-marketplace

两者均从此仓库的 marketplace manifests 中拉取；该插件位于 plugin/ 之下。

快速入门 — 将 CORAL 指向你已有的代码。 安装完成后，打开你想要优化代码的仓库，然后直接提问：

use coral to optimize this — make sample() in saga/decode.py faster without changing its output

该插件会脚手架化一个被 git 忽略的 .coral_workspace/，将你的代码放入一个 seed/，为你的指标编写一个评分器，并循环 coral validate 直到任务达到可启动状态——然后向你提供 coral start 命令。在 Claude Code 中，一个 coral-task-author 子代理会自主完成整个繁重工作（并且一个 coral-run-doctor 会对卡住的运行进行分诊）；在任何 harness 中，捆绑的技能都会走相同的路径。

技能：coral-quickstart（安装 → 设置 → .coral_workspace/），setting-up-coral（运行时绑定），creating-a-coral-task（评分器编写），running-coral-experiments（操作一次运行）。请参阅 Harness Plugin 指南或 plugin/README.md 以了解代理、skills-dir 替代方案以及其他 harness。

支持的代理

代理	`agents.runtime`
Claude Code — 默认	`claude_code`
Codex	`codex`
Cursor Agent	`cursor`
Kiro	`kiro`
OpenCode	`opencode`

每个代理必须单独安装和认证。针对每个运行时的配置——包括用于自定义模型的 LiteLLM 网关——记录在 Agent Runtimes 中。

工作原理

CORAL architecture diagram: multiple coding agents run in isolated git worktrees, share state via .coral/public/, and are scored by a grader daemon

每个代理都在其自己的 git worktree 中运行。共享状态（尝试、笔记、技能）位于 .coral/public/ 中，并通过符号链接引入每个 worktree——代理可以实时看到彼此的工作。一个评分器守护进程为每个提交评分。管理器通过心跳提示（reflect、consolidate、pivot）中断代理。

深入探讨：概念 · 多智能体运行 · 评估循环

示例

examples/ 中可直接运行的任务配置：

任务	领域	描述
circle_packing	优化	将 26 个圆打包到单位正方形中以最大化半径之和
erdos	数学	解决一个数学猜想
kernel_builder	系统	VLIW SIMD 内核优化
kernel_engineering	系统	GPU 内核优化
mnist	机器学习	手写数字分类
spaceship_titanic	机器学习	Kaggle 竞赛
stanford_covid_vaccine	生物/机器学习	mRNA 降解预测

完整目录和教程见示例文档。

开发

# Install dev dependencies
uv sync --extra dev

# Run tests
uv run pytest tests/ -v

# Lint & format
uv run ruff check .
uv run ruff format .

[!IMPORTANT] Docker 要求： 某些内置评分器（例如 SWE-bench、terminal-bench）使用 Harbor 在 Docker 容器内运行评估。在这种情况下，CORAL 本身不得在 Docker 内运行，因为不支持 Docker-in-Docker (DinD)。请在主机上直接运行 CORAL。

贡献

欢迎贡献 — 包括 bug 报告、examples/ 下的新任务、新的 agent 运行时、文档等。从这里开始：

CONTRIBUTING.md — 开发环境设置、分支与提交规范、PR 工作流、测试/代码检查命令。
AGENTS.md — AI 辅助贡献的规则（CORAL 本身就是 agent 基础设施，因此我们预期会有 agent 编写的 PR，并有一些具体要求）。

若要深入了解代码库，CLAUDE.md 中的架构笔记涵盖了评估循环、.coral/{public,private}/ 拆分、评分器守护进程以及运行时注册表。

本项目基于 Apache 2.0 LICENSE 发布。

引用

⭐ 如果您觉得 CORAL 有用，请考虑给我们一个 Star 和/或在您的工作中引用它（请使用下方的官方 BibTeX，而不是 Google Scholar 自动生成的引用，后者可能会截断作者列表）：

@article{qu2026coral,
  title={CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery},
  author={Qu, Ao and Zheng, Han and Zhou, Zijian and Yan, Yihao and Tang, Yihong and Ong, Shao Yong and Hong, Fenglu and Zhou, Kaichen and Jiang, Chonghe and Kong, Minwei and Zhu, Jiacheng and Jiang, Xuan and Li, Sirui and Wu, Cathy and Low, Bryan Kian Hsiang and Zhao, Jinhua and Liang, Paul Pu},
  journal={arXiv preprint arXiv:2604.01658},
  year={2026}
}

Star History

致谢

我们感谢 TNT Accelerator 对各类 API 额度的慷慨支持，这些支持在 Coral 的开发过程中起到了重要作用。我们还想感谢许多具有启发性的先前工作，例如 OpenEvolve、autoresearch、TTT Discover 等，正是这些工作促成了 Coral 的构想。