Un sistema de IA que evoluciona y se mejora a sí mismo de forma abierta y continua.
La DGM mantiene un archivo de todos los agentes de código generados. Es un "pool genético" de soluciones diversas. Se inicia con un único agente base.
Se selecciona un agente "padre" del archivo. La selección favorece a los agentes con buen rendimiento pero también a los que son novedosos, permitiendo la exploración abierta y evitando estancarse en óptimos locales.
El agente "padre" recibe la instrucción de mejorarse a sí mismo. Analiza su propio código fuente y genera un parche para añadir nuevas capacidades o herramientas. Este proceso crea un nuevo agente "hijo".
El nuevo agente "hijo" se evalúa en un benchmark de programación (ej. SWE-bench). Su rendimiento se mide objetivamente. A diferencia de la máquina de Gödel teórica, no se usan pruebas formales, sino validación empírica.