用 LLM 设计优化算法，一键评测智能体启发式能力
heurigym 是一个面向组合优化问题的智能体基准测试框架，由 ICLR'26 论文提出。它专门评估大型语言模型（LLM）在组合优化任务中自主设计启发式算法的能力。该框架将优化问题转化为智能体交互环境，支持 ChatGPT 等主流 LLM 作为智能体，通过迭代生成、测试和改进启发式规则，衡量模型在求解 TSP、图着色等经典问题上的表现。它解决了当前 LLM 评估缺乏复杂推理场景的问题，为研究 LLM 在算法设计领域的潜力提供了标准化测试平台。核心能力包括：多问题实例支持、可复现的评估协议、以及智能体与优化环境的无缝对接。
OpenAI Evals、LangChain Benchmarks、AgentBench
heurigym 是评测安全领域的开源项目，由 cornell-zhang 开发，2025 年首次发布。
它收录于评测安全分类，该分类目前共有 458 个项目，GitHub 星标数为 96。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-03。Apache-2.0 许可证，完全免费，无付费版本。
它主要面向的使用场景是：学术研究：评估LLM在算法设计任务中的推理能力。同类可对比的替代方案包括 OpenAI Evals、LangChain Benchmarks、AgentBench。
akto
开源
给 AI 应用做安全体检，防提示注入和数据泄露
Akto is the fastest growing AI Security platform for your teams to secure AI agents,···
XSafeClaw
开源
给 AI 智能体装上安全盾，自动红队测试找漏洞
Introducing XSafeClaw: The Open-Source Agent Safety Platform from Fudan University
deepteam
开源
自动模拟越狱攻击，提前测出 LLM 安全漏洞
DeepTeam is a framework to red team LLMs and AI agents.
Tracely-ai
开源
把生产事故变成回归测试，合并前自动拦截 AI 故障
Trace-native CI/CD for AI agents — production failures become regression tests that···
