SwarmAgentic: Hacia la Generación Totalmente Automatizada de Sistemas Agénticos mediante Inteligencia de Enjambre

SwarmAgentic: Towards Fully Automated Agentic System Generation via Swarm Intelligence

June 18, 2025

Autores: Yao Zhang, Chenyang Lin, Shijie Tang, Haokun Chen, Shijie Zhou, Yunpu Ma, Volker Tresp

cs.AI

Resumen

El rápido avance de los Modelos de Lenguaje a Gran Escala ha impulsado los sistemas agentes en la toma de decisiones, la coordinación y la ejecución de tareas. Sin embargo, los marcos de generación de sistemas agentes existentes carecen de autonomía completa, faltando la generación de agentes desde cero, la optimización automática de la funcionalidad de los agentes y la colaboración, lo que limita la adaptabilidad y escalabilidad. Proponemos SwarmAgentic, un marco para la generación completamente automatizada de sistemas agentes que construye sistemas agentes desde cero y optimiza conjuntamente la funcionalidad de los agentes y la colaboración como componentes interdependientes mediante la exploración basada en lenguaje. Para permitir una búsqueda eficiente sobre estructuras a nivel de sistema, SwarmAgentic mantiene una población de sistemas candidatos y los evoluciona mediante actualizaciones guiadas por retroalimentación, inspirándose en la Optimización por Enjambre de Partículas (PSO, por sus siglas en inglés). Evaluamos nuestro método en seis tareas del mundo real, abiertas y exploratorias que involucran planificación de alto nivel, coordinación a nivel de sistema y razonamiento creativo. Dada únicamente una descripción de la tarea y una función objetivo, SwarmAgentic supera a todas las líneas base, logrando una mejora relativa del +261.8% sobre ADAS en el benchmark TravelPlanner, destacando la efectividad de la automatización completa en tareas estructuralmente no restringidas. Este marco representa un paso significativo hacia el diseño escalable y autónomo de sistemas agentes, conectando la inteligencia de enjambre con la generación completamente automatizada de sistemas multiagente. Nuestro código está disponible públicamente en https://yaoz720.github.io/SwarmAgentic/.

English

The rapid progress of Large Language Models has advanced agentic systems in decision-making, coordination, and task execution. Yet, existing agentic system generation frameworks lack full autonomy, missing from-scratch agent generation, self-optimizing agent functionality, and collaboration, limiting adaptability and scalability. We propose SwarmAgentic, a framework for fully automated agentic system generation that constructs agentic systems from scratch and jointly optimizes agent functionality and collaboration as interdependent components through language-driven exploration. To enable efficient search over system-level structures, SwarmAgentic maintains a population of candidate systems and evolves them via feedback-guided updates, drawing inspiration from Particle Swarm Optimization (PSO). We evaluate our method on six real-world, open-ended, and exploratory tasks involving high-level planning, system-level coordination, and creative reasoning. Given only a task description and an objective function, SwarmAgentic outperforms all baselines, achieving a +261.8% relative improvement over ADAS on the TravelPlanner benchmark, highlighting the effectiveness of full automation in structurally unconstrained tasks. This framework marks a significant step toward scalable and autonomous agentic system design, bridging swarm intelligence with fully automated system multi-agent generation. Our code is publicly released at https://yaoz720.github.io/SwarmAgentic/.