Agentes de Evolución Grupal: Automejora Continua mediante el Intercambio de Experiencias
Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing
February 4, 2026
Autores: Zhaotian Weng, Antonis Antoniades, Deepak Nathani, Zhen Zhang, Xiao Pu, Xin Eric Wang
cs.AI
Resumen
Los agentes de auto-mejora abierta pueden modificar autónomamente sus diseños estructurales para potenciar sus capacidades y superar los límites de las arquitecturas predefinidas, reduciendo así la dependencia de la intervención humana. Presentamos Agentes de Evolución Grupal (GEA), un nuevo paradigma para la auto-mejora abierta que considera un grupo de agentes como unidad evolutiva fundamental, permitiendo el intercambio y reutilización explícita de experiencias dentro del grupo durante toda la evolución. A diferencia de los paradigmas existentes de auto-evolución abierta que adoptan estructuras arbóreas de evolución, GEA supera la limitación de utilización ineficiente de la diversidad exploratoria causada por ramas evolutivas aisladas. Evaluamos GEA en benchmarks desafiantes de programación, donde supera significativamente a los métodos de auto-evolución más avanzados (71.0% vs. 56.7% en SWE-bench Verified, 88.3% vs. 68.3% en Polyglot) e iguala o supera a los mejores frameworks de agentes diseñados por humanos (71.8% y 52.0% en dos benchmarks respectivamente). El análisis revela que GEA convierte más efectivamente la diversidad exploratoria inicial en progreso sostenido a largo plazo, logrando un rendimiento superior con el mismo número de agentes evolucionados. Además, GEA exhibe una transferibilidad consistente entre diferentes modelos de programación y mayor robustez, corrigiendo errores a nivel de framework en 1.4 iteraciones en promedio, frente a las 5 de los métodos de auto-evolución.
English
Open-ended self-improving agents can autonomously modify their own structural designs to advance their capabilities and overcome the limits of pre-defined architectures, thus reducing reliance on human intervention. We introduce Group-Evolving Agents (GEA), a new paradigm for open-ended self-improvements, which treats a group of agents as the fundamental evolutionary unit, enabling explicit experience sharing and reuse within the group throughout evolution. Unlike existing open-ended self-evolving paradigms that adopt tree-structured evolution, GEA overcomes the limitation of inefficient utilization of exploratory diversity caused by isolated evolutionary branches. We evaluate GEA on challenging coding benchmarks, where it significantly outperforms state-of-the-art self-evolving methods (71.0% vs. 56.7% on SWE-bench Verified, 88.3% vs. 68.3% on Polyglot) and matches or exceeds top human-designed agent frameworks (71.8% and 52.0% on two benchmarks, respectively). Analysis reveals that GEA more effectively converts early-stage exploratory diversity into sustained, long-term progress, achieving stronger performance under the same number of evolved agents. Furthermore, GEA exhibits consistent transferability across different coding models and greater robustness, fixing framework-level bugs in 1.4 iterations on average, versus 5 for self-evolving methods.