Une étude approfondie des agents d'IA auto-évolutifs : Un nouveau paradigme reliant les modèles de base et les systèmes agentiques perpétuels

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

August 10, 2025

papers.authors: 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

papers.abstract

Les récents progrès dans les modèles de langage de grande envergure ont suscité un intérêt croissant pour les agents d’IA capables de résoudre des tâches complexes et réelles. Cependant, la plupart des systèmes d’agents existants reposent sur des configurations manuellement conçues qui restent statiques après leur déploiement, limitant ainsi leur capacité à s’adapter à des environnements dynamiques et évolutifs. Dans cette optique, des recherches récentes ont exploré des techniques d’évolution des agents visant à améliorer automatiquement les systèmes d’agents en fonction des données d’interaction et des retours d’environnement. Cette direction émergente pose les bases des agents d’IA auto-évolutifs, qui comblent les capacités statiques des modèles de base avec l’adaptabilité continue requise par les systèmes agentiques à long terme. Dans cette étude, nous proposons une revue exhaustive des techniques existantes pour les systèmes agentiques auto-évolutifs. Plus précisément, nous introduisons d’abord un cadre conceptuel unifié qui abstrait la boucle de rétroaction sous-jacente à la conception des systèmes agentiques auto-évolutifs. Ce cadre met en lumière quatre composants clés : les entrées du système, le système d’agents, l’environnement et les optimiseurs, servant de base pour comprendre et comparer différentes stratégies. Sur la base de ce cadre, nous examinons systématiquement une large gamme de techniques auto-évolutives ciblant différents composants du système d’agents. Nous étudions également des stratégies d’évolution spécifiques à des domaines développées pour des champs spécialisés tels que la biomédecine, la programmation et la finance, où les objectifs d’optimisation sont étroitement liés aux contraintes du domaine. En outre, nous proposons une discussion dédiée sur l’évaluation, la sécurité et les considérations éthiques pour les systèmes agentiques auto-évolutifs, qui sont essentielles pour garantir leur efficacité et leur fiabilité. Cette étude vise à offrir aux chercheurs et aux praticiens une compréhension systématique des agents d’IA auto-évolutifs, posant ainsi les bases pour le développement de systèmes agentiques plus adaptatifs, autonomes et à long terme.

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.