Una Revisión Integral de los Agentes de IA Autoevolutivos: Un Nuevo Paradigma que Conecta los Modelos Fundacionales y los Sistemas Agentes de Aprendizaje Continuo

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

August 10, 2025

Autores: 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

Resumen

Los recientes avances en los modelos de lenguaje de gran escala han generado un creciente interés en agentes de IA capaces de resolver tareas complejas del mundo real. Sin embargo, la mayoría de los sistemas de agentes existentes dependen de configuraciones manualmente diseñadas que permanecen estáticas después de su implementación, lo que limita su capacidad para adaptarse a entornos dinámicos y en evolución. Con este fin, investigaciones recientes han explorado técnicas de evolución de agentes que buscan mejorar automáticamente los sistemas de agentes basándose en datos de interacción y retroalimentación ambiental. Esta dirección emergente sienta las bases para los agentes de IA auto-evolutivos, que combinan las capacidades estáticas de los modelos fundamentales con la adaptabilidad continua requerida por los sistemas agenticos de larga duración. En este estudio, proporcionamos una revisión exhaustiva de las técnicas existentes para sistemas agenticos auto-evolutivos. Específicamente, primero introducimos un marco conceptual unificado que abstrae el ciclo de retroalimentación subyacente al diseño de sistemas agenticos auto-evolutivos. El marco destaca cuatro componentes clave: Entradas del Sistema, Sistema de Agentes, Entorno y Optimizadores, sirviendo como base para comprender y comparar diferentes estrategias. Basándonos en este marco, revisamos sistemáticamente una amplia gama de técnicas auto-evolutivas que se enfocan en diferentes componentes del sistema de agentes. También investigamos estrategias de evolución específicas de dominio desarrolladas para campos especializados como la biomedicina, la programación y las finanzas, donde los objetivos de optimización están estrechamente vinculados a las restricciones del dominio. Además, ofrecemos una discusión dedicada a la evaluación, seguridad y consideraciones éticas para los sistemas agenticos auto-evolutivos, que son críticas para garantizar su efectividad y confiabilidad. Este estudio tiene como objetivo proporcionar a investigadores y profesionales una comprensión sistemática de los agentes de IA auto-evolutivos, sentando las bases para el desarrollo de sistemas agenticos más adaptativos, autónomos y de larga duración.

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.