Auto-améliorations dans les systèmes agentiques modernes : un état de l'art

Résumé

Les agents autonomes auto-améliorants passent des prototypes de recherche aux systèmes déployés. L'objectif principal est l'évolution contrôlable, ou l'adaptation, à partir de l'expérience avec un apport humain minimal, voire nul. Cette enquête présente les agents auto-améliorants modernes comme des systèmes adaptatifs qui convertissent l'expérience en gains de capacité accumulés. Nous proposons un cadre au niveau système qui représente un agent moderne comme une configuration couplant un modèle de fondation avec un échafaudage opérationnel d'invites, de mémoire, d'outils et de logique de contrôle. Dans ce cadre, l'auto-amélioration est formalisée comme un opérateur de mise à jour auto-induite qui obtient et applique des mises à jour des paramètres du modèle ou des composants de l'échafaudage. Nous organisons les travaux antérieurs par cible de mise à jour et par les signaux qui conduisent le changement, puis passons en revue les applications et discutons de l'évaluation, avant de conclure par les problèmes ouverts et les directions futures. Pour faciliter la consultation, nous suivons les mises à jour techniques sur https://github.com/selfimproving-agent/awesome-Self-Improving-Agents.

English

Self-improving autonomous agents are moving from research prototypes to deployed systems. The primary goal is controllable evolution, or adaptation, from experience with minimal or even no human input. This survey frames modern self-improving agents as adaptive systems that convert experience into accumulated capability gains. We offer a system-level framework that represents a modern agent as a configuration coupling a foundation model with an operational scaffold of prompts, memory, tools, and control logic. Within this framework, self-improvement is formalized as a self-induced update operator that obtains and commits updates to model parameters or scaffold components. We organize prior work by update target and by the signals that drive change, then review applications and discuss evaluation, before closing with open problems and future directions. For convenience, we track technical updates on https://github.com/selfimproving-agent/awesome-Self-Improving-Agents.