Gruppen-evolvierende Agenten: Offene Selbstverbesserung durch Erfahrungsaustausch
Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing
February 4, 2026
Autoren: Zhaotian Weng, Antonis Antoniades, Deepak Nathani, Zhen Zhang, Xiao Pu, Xin Eric Wang
cs.AI
Zusammenfassung
Offene selbstverbessernde Agenten können eigenständig ihre eigenen Strukturdesigns modifizieren, um ihre Fähigkeiten zu erweitern und die Grenzen vordefinierter Architekturen zu überwinden, wodurch die Abhängigkeit von menschlichen Eingriffen verringert wird. Wir stellen Group-Evolving Agents (GEA) vor, ein neues Paradigma für offene Selbstverbesserung, das eine Gruppe von Agenten als grundlegende evolutionäre Einheit betrachtet und expliziten Erfahrungsaustausch sowie Wiederverwendung innerhalb der Gruppe während der gesamten Evolution ermöglicht. Im Gegensatz zu bestehenden offenen Selbstevolutionsparadigmen, die baumstrukturierte Evolution verwenden, überwindet GEA die Einschränkung ineffizienter Nutzung explorativer Diversität durch isolierte Evolutionszweige. Wir evaluieren GEA anspruchsvollen Programmierbenchmarks, wo es state-of-the-art Selbstevolutionsmethoden deutlich übertrifft (71,0 % vs. 56,7 % bei SWE-bench Verified, 88,3 % vs. 68,3 % bei Polyglot) und mit Top-Mensch-Designed-Agent-Frameworks gleichzieht oder diese übertrifft (71,8 % bzw. 52,0 % bei zwei Benchmarks). Analysen zeigen, dass GEA explorative Diversität in frühen Phasen effektiver in nachhaltigen langfristigen Fortschritt umwandelt und bei gleicher Anzahl evolvierter Agenten stärkere Leistung erzielt. Zudem weist GEA konsistente Übertragbarkeit über verschiedene Programmiermodelle hinweg sowie größere Robustheit auf und behebt Framework-Fehler in durchschnittlich 1,4 Iterationen gegenüber 5 bei Selbstevolutionsmethoden.
English
Open-ended self-improving agents can autonomously modify their own structural designs to advance their capabilities and overcome the limits of pre-defined architectures, thus reducing reliance on human intervention. We introduce Group-Evolving Agents (GEA), a new paradigm for open-ended self-improvements, which treats a group of agents as the fundamental evolutionary unit, enabling explicit experience sharing and reuse within the group throughout evolution. Unlike existing open-ended self-evolving paradigms that adopt tree-structured evolution, GEA overcomes the limitation of inefficient utilization of exploratory diversity caused by isolated evolutionary branches. We evaluate GEA on challenging coding benchmarks, where it significantly outperforms state-of-the-art self-evolving methods (71.0% vs. 56.7% on SWE-bench Verified, 88.3% vs. 68.3% on Polyglot) and matches or exceeds top human-designed agent frameworks (71.8% and 52.0% on two benchmarks, respectively). Analysis reveals that GEA more effectively converts early-stage exploratory diversity into sustained, long-term progress, achieving stronger performance under the same number of evolved agents. Furthermore, GEA exhibits consistent transferability across different coding models and greater robustness, fixing framework-level bugs in 1.4 iterations on average, versus 5 for self-evolving methods.