Jenseits individueller Intelligenz: Überblick über Kollaboration, Fehlerzuordnung und Selbstevolution in LLM-basierten Multi-Agenten-Systemen

Zusammenfassung

LLM-basierte autonome Agenten haben beeindruckende Fähigkeiten in den Bereichen Reasoning, Planung und Werkzeugnutzung gezeigt, bleiben jedoch eingeschränkt, wenn Aufgaben eine dauerhafte Koordination über Rollen, Werkzeuge und Umgebungen hinweg erfordern. Multi-Agenten-Systeme begegnen diesem Problem durch strukturierte Zusammenarbeit spezialisierter Agenten, aber eine engere Koordination erhöht auch ein wenig erforschtes Risiko: Fehler können sich über Agenten und Interaktionsrunden hinweg ausbreiten und zu Ausfällen führen, die schwer zu diagnostizieren sind und selten in strukturelle Selbstverbesserung münden. Bisherige Übersichtsarbeiten behandeln individuelle Agentenfähigkeiten, Multi-Agenten-Kooperation oder die Selbstevolution von Agenten getrennt und lassen die kausalen Abhängigkeiten zwischen ihnen unberücksichtigt. Diese Übersichtsarbeit bietet eine einheitliche Betrachtung, die um vier kausal verknüpfte Phasen organisiert ist, die wir als LIFE-Progression bezeichnen: Grundlage der Fähigkeiten legen (Lay the capability foundation), Agenten durch Zusammenarbeit integrieren (Integrate agents through collaboration), Fehler durch Attribution finden (Find faults through attribution) und durch autonome Selbstverbesserung evolvieren (Evolve through autonomous self-improvement). Für jede Phase liefern wir systematische Taxonomien und charakterisieren formal die Abhängigkeiten zwischen benachbarten Phasen, wodurch aufgezeigt wird, wie jede Phase die nächste sowohl bedingt als auch einschränkt. Über die Synthese bestehender Arbeiten hinaus identifizieren wir offene Herausforderungen an den Phasengrenzen und schlagen eine phasenübergreifende Forschungsagenda für geschlossene Multi-Agenten-Systeme vor, die kontinuierlich Ausfälle diagnostizieren, Strukturen neu organisieren und Agentenverhalten verfeinern können – und damit aktuelle Koordinationsrahmen hin zu selbstorganisierenden Formen kollektiver Intelligenz erweitern. Indem diese bisher fragmentierten Forschungsstränge zusammengeführt werden, zielt diese Übersichtsarbeit darauf ab, sowohl eine systematische Referenz als auch eine konzeptionelle Roadmap für autonome, sich selbst verbessernde Multi-Agenten-Intelligenz zu bieten.

English

LLM-based autonomous agents have demonstrated strong capabilities in reasoning, planning, and tool use, yet remain limited when tasks require sustained coordination across roles, tools, and environments. Multi-agent systems address this through structured collaboration among specialized agents, but tighter coordination also amplifies a less explored risk: errors can propagate across agents and interaction rounds, producing failures that are difficult to diagnose and rarely translate into structural self-improvement. Existing surveys cover individual agent capabilities, multi-agent collaboration, or agent self-evolution separately, leaving the causal dependencies among them unexamined. This survey provides a unified review organized around four causally linked stages, which we term the LIFE progression: Lay the capability foundation, Integrate agents through collaboration, Find faults through attribution, and Evolve through autonomous self-improvement. For each stage, we provide systematic taxonomies and formally characterize the dependencies between adjacent stages, revealing how each stage both depends on and constrains the next. Beyond synthesizing existing work, we identify open challenges at stage boundaries and propose a cross-stage research agenda for closed-loop multi-agent systems capable of continuously diagnosing failures, reorganizing structures, and refining agent behaviors, extending current coordination frameworks toward more self-organizing forms of collective intelligence. By bridging these previously fragmented research threads, this survey aims to offer both a systematic reference and a conceptual roadmap toward autonomous, self-improving multi-agent intelligence.