Una Revisión de Agentes de Auto-Evolución: Hacia el Camino de la Superinteligencia Artificial

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

July 28, 2025

Autores: 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

Resumen

Los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés) han demostrado capacidades sólidas, pero siguen siendo fundamentalmente estáticos, incapaces de adaptar sus parámetros internos a tareas novedosas, dominios de conocimiento en evolución o contextos de interacción dinámicos. A medida que los LLMs se despliegan cada vez más en entornos interactivos y abiertos, esta naturaleza estática se ha convertido en un cuello de botella crítico, lo que exige agentes que puedan razonar, actuar y evolucionar de manera adaptativa en tiempo real. Este cambio de paradigma —desde el escalamiento de modelos estáticos hacia el desarrollo de agentes auto-evolutivos— ha generado un creciente interés en arquitecturas y métodos que permitan el aprendizaje continuo y la adaptación a partir de datos, interacciones y experiencias. Esta revisión ofrece el primer análisis sistemático y exhaustivo de los agentes auto-evolutivos, organizado en torno a tres dimensiones fundamentales: qué evolucionar, cuándo evolucionar y cómo evolucionar. Examinamos los mecanismos evolutivos en los componentes del agente (por ejemplo, modelos, memoria, herramientas, arquitectura), categorizamos los métodos de adaptación por etapas (por ejemplo, intra-tiempo de prueba, inter-tiempo de prueba) y analizamos los diseños algorítmicos y arquitectónicos que guían la adaptación evolutiva (por ejemplo, recompensas escalares, retroalimentación textual, sistemas de agente único y multiagente). Además, analizamos métricas de evaluación y puntos de referencia específicos para agentes auto-evolutivos, destacamos aplicaciones en dominios como la programación, la educación y la atención médica, e identificamos desafíos críticos y direcciones de investigación en seguridad, escalabilidad y dinámicas co-evolutivas. Al proporcionar un marco estructurado para comprender y diseñar agentes auto-evolutivos, esta revisión establece una hoja de ruta para avanzar en sistemas agentes adaptativos tanto en investigación como en despliegues del mundo real, iluminando finalmente el camino hacia la realización de la Inteligencia Super Artificial (ASI, por sus siglas en inglés), donde los agentes evolucionan de manera autónoma, desempeñándose a niveles iguales o superiores a la inteligencia humana en una amplia gama de tareas.

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.