Au-delà de l'intelligence individuelle : Examen de la collaboration, de l'attribution des échecs et de l'auto-évolution dans les systèmes multi-agents basés sur les LLM

Résumé

Les agents autonomes basés sur les LLM ont démontré des capacités solides en matière de raisonnement, de planification et d'utilisation d'outils, mais ils restent limités lorsque les tâches nécessitent une coordination soutenue entre rôles, outils et environnements. Les systèmes multi-agents répondent à cette problématique par une collaboration structurée entre agents spécialisés, mais une coordination plus étroite amplifie également un risque moins exploré : les erreurs peuvent se propager entre les agents et au fil des cycles d'interaction, produisant des défaillances difficiles à diagnostiquer et qui se traduisent rarement par une auto-amélioration structurelle. Les revues de littérature existantes couvrent séparément les capacités individuelles des agents, la collaboration multi-agents ou l'auto-évolution des agents, laissant inexplorées les dépendances causales qui les relient. Cette revue propose une synthèse unifiée organisée autour de quatre étapes liées causalement, que nous appelons la progression LIFE : Poser les fondements des capacités (Lay the capability foundation), Intégrer les agents par la collaboration (Integrate agents through collaboration), Trouver les défauts par attribution (Find faults through attribution), et Évoluer par auto-amélioration autonome (Evolve through autonomous self-improvement). Pour chaque étape, nous fournissons des taxonomies systématiques et caractérisons formellement les dépendances entre étapes adjacentes, révélant comment chaque étape dépend de la suivante tout en la contraignant. Au-delà de la synthèse des travaux existants, nous identifions les défis ouverts aux frontières des étapes et proposons un programme de recherche transversal pour des systèmes multi-agents en boucle fermée capables de diagnostiquer en continu les défaillances, de réorganiser les structures et d'affiner les comportements des agents, élargissant ainsi les cadres de coordination actuels vers des formes plus auto-organisées d'intelligence collective. En reliant ces fils de recherche auparavant fragmentés, cette revue vise à offrir à la fois une référence systématique et une feuille de route conceptuelle vers une intelligence multi-agents autonome et auto-améliorante.

English

LLM-based autonomous agents have demonstrated strong capabilities in reasoning, planning, and tool use, yet remain limited when tasks require sustained coordination across roles, tools, and environments. Multi-agent systems address this through structured collaboration among specialized agents, but tighter coordination also amplifies a less explored risk: errors can propagate across agents and interaction rounds, producing failures that are difficult to diagnose and rarely translate into structural self-improvement. Existing surveys cover individual agent capabilities, multi-agent collaboration, or agent self-evolution separately, leaving the causal dependencies among them unexamined. This survey provides a unified review organized around four causally linked stages, which we term the LIFE progression: Lay the capability foundation, Integrate agents through collaboration, Find faults through attribution, and Evolve through autonomous self-improvement. For each stage, we provide systematic taxonomies and formally characterize the dependencies between adjacent stages, revealing how each stage both depends on and constrains the next. Beyond synthesizing existing work, we identify open challenges at stage boundaries and propose a cross-stage research agenda for closed-loop multi-agent systems capable of continuously diagnosing failures, reorganizing structures, and refining agent behaviors, extending current coordination frameworks toward more self-organizing forms of collective intelligence. By bridging these previously fragmented research threads, this survey aims to offer both a systematic reference and a conceptual roadmap toward autonomous, self-improving multi-agent intelligence.