Eine umfassende Übersicht über selbstentwickelnde KI-Agenten: Ein neues Paradigma, das Grundlagenmodelle und lebenslange agentenbasierte Systeme verbindet

A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems

August 10, 2025

papers.authors: Jinyuan Fang, Yanwen Peng, Xi Zhang, Yingxu Wang, Xinhao Yi, Guibin Zhang, Yi Xu, Bin Wu, Siwei Liu, Zihao Li, Zhaochun Ren, Nikos Aletras, Xi Wang, Han Zhou, Zaiqiao Meng

cs.AI

papers.abstract

Jüngste Fortschritte bei großen Sprachmodellen haben ein wachsendes Interesse an KI-Agenten geweckt, die in der Lage sind, komplexe, realweltliche Aufgaben zu lösen. Die meisten bestehenden Agentensysteme basieren jedoch auf manuell erstellten Konfigurationen, die nach der Bereitstellung statisch bleiben, was ihre Fähigkeit zur Anpassung an dynamische und sich entwickelnde Umgebungen einschränkt. Zu diesem Zweck hat die aktuelle Forschung Techniken zur Agentenevolution untersucht, die darauf abzielen, Agentensysteme automatisch auf der Grundlage von Interaktionsdaten und Umweltfeedback zu verbessern. Diese aufstrebende Richtung legt den Grundstein für selbst-evolvierende KI-Agenten, die die statischen Fähigkeiten von Basismodellen mit der kontinuierlichen Anpassungsfähigkeit verbinden, die lebenslange agentische Systeme erfordern. In dieser Übersichtsarbeit bieten wir eine umfassende Betrachtung bestehender Techniken für selbst-evolvierende agentische Systeme. Insbesondere führen wir zunächst ein einheitliches konzeptionelles Framework ein, das die Feedback-Schleife abstrahiert, die dem Design selbst-evolvierender agentischer Systeme zugrunde liegt. Das Framework hebt vier Schlüsselkomponenten hervor: Systemeingaben, Agentensystem, Umwelt und Optimierer, die als Grundlage für das Verständnis und den Vergleich verschiedener Strategien dienen. Basierend auf diesem Framework untersuchen wir systematisch eine breite Palette von selbst-evolvierenden Techniken, die verschiedene Komponenten des Agentensystems ansprechen. Wir untersuchen auch domänenspezifische Evolutionsstrategien, die für spezialisierte Bereiche wie Biomedizin, Programmierung und Finanzen entwickelt wurden, in denen Optimierungsziele eng mit Domänenbeschränkungen verknüpft sind. Darüber hinaus bieten wir eine spezielle Diskussion über die Bewertung, Sicherheit und ethischen Überlegungen für selbst-evolvierende agentische Systeme, die entscheidend sind, um deren Wirksamkeit und Zuverlässigkeit sicherzustellen. Diese Übersichtsarbeit zielt darauf ab, Forschern und Praktikern ein systematisches Verständnis selbst-evolvierender KI-Agenten zu vermitteln und die Grundlage für die Entwicklung adaptiverer, autonomerer und lebenslanger agentischer Systeme zu legen.

English

Recent advances in large language models have sparked growing interest in AI agents capable of solving complex, real-world tasks. However, most existing agent systems rely on manually crafted configurations that remain static after deployment, limiting their ability to adapt to dynamic and evolving environments. To this end, recent research has explored agent evolution techniques that aim to automatically enhance agent systems based on interaction data and environmental feedback. This emerging direction lays the foundation for self-evolving AI agents, which bridge the static capabilities of foundation models with the continuous adaptability required by lifelong agentic systems. In this survey, we provide a comprehensive review of existing techniques for self-evolving agentic systems. Specifically, we first introduce a unified conceptual framework that abstracts the feedback loop underlying the design of self-evolving agentic systems. The framework highlights four key components: System Inputs, Agent System, Environment, and Optimisers, serving as a foundation for understanding and comparing different strategies. Based on this framework, we systematically review a wide range of self-evolving techniques that target different components of the agent system. We also investigate domain-specific evolution strategies developed for specialised fields such as biomedicine, programming, and finance, where optimisation objectives are tightly coupled with domain constraints. In addition, we provide a dedicated discussion on the evaluation, safety, and ethical considerations for self-evolving agentic systems, which are critical to ensuring their effectiveness and reliability. This survey aims to provide researchers and practitioners with a systematic understanding of self-evolving AI agents, laying the foundation for the development of more adaptive, autonomous, and lifelong agentic systems.