SwarmAgentic : Vers une génération entièrement automatisée de systèmes agentiques via l'intelligence en essaim

SwarmAgentic: Towards Fully Automated Agentic System Generation via Swarm Intelligence

June 18, 2025

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

cs.AI

Résumé

Les progrès rapides des modèles de langage de grande envergure ont fait avancer les systèmes agentiques dans la prise de décision, la coordination et l'exécution de tâches. Cependant, les cadres existants de génération de systèmes agentiques manquent d'autonomie complète, ne permettant pas la génération d'agents à partir de zéro, l'auto-optimisation des fonctionnalités des agents et la collaboration, ce qui limite l'adaptabilité et l'évolutivité. Nous proposons SwarmAgentic, un cadre pour la génération entièrement automatisée de systèmes agentiques qui construit des systèmes agentiques à partir de zéro et optimise conjointement les fonctionnalités des agents et la collaboration en tant que composants interdépendants grâce à une exploration pilotée par le langage. Pour permettre une recherche efficace sur les structures au niveau du système, SwarmAgentic maintient une population de systèmes candidats et les fait évoluer via des mises à jour guidées par des retours, s'inspirant de l'optimisation par essaims particulaires (PSO). Nous évaluons notre méthode sur six tâches réelles, ouvertes et exploratoires impliquant une planification de haut niveau, une coordination au niveau du système et un raisonnement créatif. Avec seulement une description de tâche et une fonction objective, SwarmAgentic surpasse toutes les méthodes de référence, obtenant une amélioration relative de +261,8 % par rapport à ADAS sur le benchmark TravelPlanner, mettant en évidence l'efficacité de l'automatisation complète dans des tâches structurellement non contraintes. Ce cadre marque une étape significative vers la conception évolutive et autonome de systèmes agentiques, reliant l'intelligence en essaim à la génération entièrement automatisée de systèmes multi-agents. Notre code est disponible publiquement à l'adresse 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/.