SwarmAgentic: Auf dem Weg zur vollständig automatisierten Generierung agentenbasierter Systeme durch Schwarmintelligenz

SwarmAgentic: Towards Fully Automated Agentic System Generation via Swarm Intelligence

June 18, 2025

Autoren: Yao Zhang, Chenyang Lin, Shijie Tang, Haokun Chen, Shijie Zhou, Yunpu Ma, Volker Tresp

cs.AI

Zusammenfassung

Der rasante Fortschritt bei Large Language Models hat agentenbasierte Systeme in den Bereichen Entscheidungsfindung, Koordination und Aufgabenausführung vorangetrieben. Dennoch mangelt es bestehenden Frameworks zur Erzeugung agentenbasierter Systeme an vollständiger Autonomie, da sie die Erstellung von Agenten von Grund auf, die Selbstoptimierung von Agentenfunktionalitäten und die Zusammenarbeit nicht unterstützen, was die Anpassungsfähigkeit und Skalierbarkeit einschränkt. Wir stellen SwarmAgentic vor, ein Framework zur vollständig automatisierten Erzeugung agentenbasierter Systeme, das solche Systeme von Grund auf konstruiert und die Funktionalität der Agenten sowie ihre Zusammenarbeit als interdependente Komponenten durch sprachgesteuerte Exploration gemeinsam optimiert. Um eine effiziente Suche über systemweite Strukturen zu ermöglichen, verwaltet SwarmAgentic eine Population von Kandidatensystemen und entwickelt diese durch feedbackgesteuerte Aktualisierungen weiter, inspiriert von Particle Swarm Optimization (PSO). Wir evaluieren unsere Methode anhand von sechs realen, offenen und explorativen Aufgaben, die hochrangige Planung, systemweite Koordination und kreatives Denken erfordern. Mit nur einer Aufgabenbeschreibung und einer Zielfunktion übertrifft SwarmAgentic alle Vergleichsmethoden und erzielt eine relative Verbesserung von +261,8 % gegenüber ADAS im TravelPlanner-Benchmark, was die Wirksamkeit vollständiger Automatisierung bei strukturell unbegrenzten Aufgaben unterstreicht. Dieses Framework markiert einen bedeutenden Schritt hin zu skalierbarem und autonomem Design agentenbasierter Systeme und verbindet Schwarmintelligenz mit vollständig automatisierter Multi-Agenten-Generierung. Unser Code ist öffentlich unter https://yaoz720.github.io/SwarmAgentic/ verfügbar.

English

The rapid progress of Large Language Models has advanced agentic systems in decision-making, coordination, and task execution. Yet, existing agentic system generation frameworks lack full autonomy, missing from-scratch agent generation, self-optimizing agent functionality, and collaboration, limiting adaptability and scalability. We propose SwarmAgentic, a framework for fully automated agentic system generation that constructs agentic systems from scratch and jointly optimizes agent functionality and collaboration as interdependent components through language-driven exploration. To enable efficient search over system-level structures, SwarmAgentic maintains a population of candidate systems and evolves them via feedback-guided updates, drawing inspiration from Particle Swarm Optimization (PSO). We evaluate our method on six real-world, open-ended, and exploratory tasks involving high-level planning, system-level coordination, and creative reasoning. Given only a task description and an objective function, SwarmAgentic outperforms all baselines, achieving a +261.8% relative improvement over ADAS on the TravelPlanner benchmark, highlighting the effectiveness of full automation in structurally unconstrained tasks. This framework marks a significant step toward scalable and autonomous agentic system design, bridging swarm intelligence with fully automated system multi-agent generation. Our code is publicly released at https://yaoz720.github.io/SwarmAgentic/.