Eine Übersicht über selbstentwickelnde Agenten: Auf dem Weg zur künstlichen Superintelligenz

A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence

July 28, 2025

papers.authors: Huan-ang Gao, Jiayi Geng, Wenyue Hua, Mengkang Hu, Xinzhe Juan, Hongzhang Liu, Shilong Liu, Jiahao Qiu, Xuan Qi, Yiran Wu, Hongru Wang, Han Xiao, Yuhang Zhou, Shaokun Zhang, Jiayi Zhang, Jinyu Xiang, Yixiong Fang, Qiwen Zhao, Dongrui Liu, Qihan Ren, Cheng Qian, Zhenghailong Wang, Minda Hu, Huazheng Wang, Qingyun Wu, Heng Ji, Mengdi Wang

cs.AI

papers.abstract

Große Sprachmodelle (LLMs) haben beeindruckende Fähigkeiten demonstriert, bleiben jedoch grundsätzlich statisch und unfähig, ihre internen Parameter an neue Aufgaben, sich entwickelnde Wissensdomänen oder dynamische Interaktionskontexte anzupassen. Da LLMs zunehmend in offenen, interaktiven Umgebungen eingesetzt werden, ist diese statische Natur zu einem kritischen Engpass geworden, der Agenten erfordert, die in Echtzeit adaptiv denken, handeln und sich weiterentwickeln können. Dieser Paradigmenwechsel – von der Skalierung statischer Modelle hin zur Entwicklung selbst-evolvierender Agenten – hat ein wachsendes Interesse an Architekturen und Methoden geweckt, die kontinuierliches Lernen und Anpassung aus Daten, Interaktionen und Erfahrungen ermöglichen. Diese Übersichtsarbeit bietet die erste systematische und umfassende Betrachtung selbst-evolvierender Agenten, organisiert um drei grundlegende Dimensionen – was zu evolvieren ist, wann zu evolvieren ist und wie zu evolvieren ist. Wir untersuchen evolutionäre Mechanismen über Agentenkomponenten hinweg (z.B. Modelle, Speicher, Werkzeuge, Architektur), kategorisieren Anpassungsmethoden nach Phasen (z.B. intra-Testzeit, inter-Testzeit) und analysieren die algorithmischen und architektonischen Designs, die evolutionäre Anpassung leiten (z.B. skalare Belohnungen, textuelles Feedback, Einzel- und Multi-Agenten-Systeme). Zusätzlich analysieren wir Evaluationsmetriken und Benchmarks, die speziell für selbst-evolvierende Agenten entwickelt wurden, heben Anwendungen in Bereichen wie Programmierung, Bildung und Gesundheitswesen hervor und identifizieren kritische Herausforderungen und Forschungsrichtungen in den Bereichen Sicherheit, Skalierbarkeit und ko-evolutionäre Dynamiken. Indem diese Arbeit einen strukturierten Rahmen zum Verständnis und zur Gestaltung selbst-evolvierender Agenten bietet, legt sie eine Roadmap für die Weiterentwicklung adaptiver agentenbasierter Systeme in Forschung und realen Anwendungen fest und beleuchtet schließlich den Weg zur Realisierung Künstlicher Superintelligenz (ASI), bei der Agenten autonom evolvieren und auf oder über menschlichem Intelligenzniveau in einer Vielzahl von Aufgaben agieren.

English

Large Language Models (LLMs) have demonstrated strong capabilities but remain fundamentally static, unable to adapt their internal parameters to novel tasks, evolving knowledge domains, or dynamic interaction contexts. As LLMs are increasingly deployed in open-ended, interactive environments, this static nature has become a critical bottleneck, necessitating agents that can adaptively reason, act, and evolve in real time. This paradigm shift -- from scaling static models to developing self-evolving agents -- has sparked growing interest in architectures and methods enabling continual learning and adaptation from data, interactions, and experiences. This survey provides the first systematic and comprehensive review of self-evolving agents, organized around three foundational dimensions -- what to evolve, when to evolve, and how to evolve. We examine evolutionary mechanisms across agent components (e.g., models, memory, tools, architecture), categorize adaptation methods by stages (e.g., intra-test-time, inter-test-time), and analyze the algorithmic and architectural designs that guide evolutionary adaptation (e.g., scalar rewards, textual feedback, single-agent and multi-agent systems). Additionally, we analyze evaluation metrics and benchmarks tailored for self-evolving agents, highlight applications in domains such as coding, education, and healthcare, and identify critical challenges and research directions in safety, scalability, and co-evolutionary dynamics. By providing a structured framework for understanding and designing self-evolving agents, this survey establishes a roadmap for advancing adaptive agentic systems in both research and real-world deployments, ultimately shedding lights to pave the way for the realization of Artificial Super Intelligence (ASI), where agents evolve autonomously, performing at or beyond human-level intelligence across a wide array of tasks.