Adaptation agentiver KI
Adaptation of Agentic AI
December 18, 2025
papers.authors: Pengcheng Jiang, Jiacheng Lin, Zhiyi Shi, Zifeng Wang, Luxi He, Yichen Wu, Ming Zhong, Peiyang Song, Qizheng Zhang, Heng Wang, Xueqiang Xu, Hanwen Xu, Pengrui Han, Dylan Zhang, Jiashuo Sun, Chaoqi Yang, Kun Qian, Tian Wang, Changran Hu, Manling Li, Quanzheng Li, Hao Peng, Sheng Wang, Jingbo Shang, Chao Zhang, Jiaxuan You, Liyuan Liu, Pan Lu, Yu Zhang, Heng Ji, Yejin Choi, Dawn Song, Jimeng Sun, Jiawei Han
cs.AI
papers.abstract
Moderne agentenbasierte KI-Systeme basieren auf Fundamentmodellen, die dazu adaptiert werden können, zu planen, zu schlussfolgern und mit externen Werkzeugen zu interagieren, um zunehmend komplexere und spezialisierte Aufgaben auszuführen. Mit wachsender Fähigkeit und Reichweite dieser Systeme wird Adaption zu einem zentralen Mechanismus zur Verbesserung von Leistung, Zuverlässigkeit und Generalisierungsfähigkeit. In diesem Beitrag fassen wir die schnell wachsende Forschungslandschaft in einem systematischen Rahmen zusammen, der sowohl Agenten- als auch Werkzeugadaptionen umspannt. Wir unterteilen diese weiterhin in durch Werkzeugausführung signalisierte und durch Agentenausgabe signalisierte Formen der Agentenadaption sowie in agentenunabhängige und agentenüberwachte Formen der Werkzeugadaption. Wir zeigen, dass dieser Rahmenwerk das Designspektrum von Adaptionsstrategien in agentenbasierter KI klärt, ihre Kompromisse explizit macht und praktische Leitlinien für die Auswahl oder den Wechsel zwischen Strategien während des Systemdesigns bietet. Anschließend betrachten wir die repräsentativen Ansätze in jeder Kategorie, analysieren ihre Stärken und Grenzen und heben wichtige offene Herausforderungen und zukünftige Möglichkeiten hervor. Insgesamt zielt dieser Beitrag darauf ab, eine konzeptionelle Grundlage und eine praktische Roadmap für Forschende und Praktiker zu bieten, die bestrebt sind, leistungsfähigere, effizientere und zuverlässigere agentenbasierte KI-Systeme zu entwickeln.
English
Cutting-edge agentic AI systems are built on foundation models that can be adapted to plan, reason, and interact with external tools to perform increasingly complex and specialized tasks. As these systems grow in capability and scope, adaptation becomes a central mechanism for improving performance, reliability, and generalization. In this paper, we unify the rapidly expanding research landscape into a systematic framework that spans both agent adaptations and tool adaptations. We further decompose these into tool-execution-signaled and agent-output-signaled forms of agent adaptation, as well as agent-agnostic and agent-supervised forms of tool adaptation. We demonstrate that this framework helps clarify the design space of adaptation strategies in agentic AI, makes their trade-offs explicit, and provides practical guidance for selecting or switching among strategies during system design. We then review the representative approaches in each category, analyze their strengths and limitations, and highlight key open challenges and future opportunities. Overall, this paper aims to offer a conceptual foundation and practical roadmap for researchers and practitioners seeking to build more capable, efficient, and reliable agentic AI systems.