Une étude des agents auto-évolutifs : vers la voie de l'intelligence artificielle superieure

papers.abstract

Les modèles de langage de grande taille (LLMs) ont démontré des capacités impressionnantes, mais restent fondamentalement statiques, incapables d’adapter leurs paramètres internes à de nouvelles tâches, à des domaines de connaissances en évolution ou à des contextes d’interaction dynamiques. Alors que les LLMs sont de plus en plus déployés dans des environnements ouverts et interactifs, cette nature statique est devenue un goulot d’étranglement critique, nécessitant des agents capables de raisonner, d’agir et d’évoluer de manière adaptative en temps réel. Ce changement de paradigme — du passage à l’échelle de modèles statiques au développement d’agents auto-évolutifs — a suscité un intérêt croissant pour les architectures et les méthodes permettant un apprentissage et une adaptation continus à partir de données, d’interactions et d’expériences. Cette étude propose la première revue systématique et exhaustive des agents auto-évolutifs, organisée autour de trois dimensions fondamentales — quoi faire évoluer, quand évoluer et comment évoluer. Nous examinons les mécanismes évolutifs à travers les composants des agents (par exemple, modèles, mémoire, outils, architecture), catégorisons les méthodes d’adaptation par étapes (par exemple, intra-temps de test, inter-temps de test) et analysons les conceptions algorithmiques et architecturales qui guident l’adaptation évolutive (par exemple, récompenses scalaires, feedback textuel, systèmes mono-agents et multi-agents). De plus, nous analysons les métriques d’évaluation et les benchmarks spécifiquement conçus pour les agents auto-évolutifs, mettons en lumière des applications dans des domaines tels que la programmation, l’éducation et la santé, et identifions les défis critiques et les directions de recherche en matière de sécurité, d’évolutivité et de dynamiques co-évolutives. En fournissant un cadre structuré pour comprendre et concevoir des agents auto-évolutifs, cette étude établit une feuille de route pour faire progresser les systèmes agentiques adaptatifs, tant dans la recherche que dans les déploiements réels, éclairant ainsi la voie vers la réalisation d’une Intelligence Artificielle Superieure (ASI), où les agents évoluent de manière autonome, atteignant ou dépassant l’intelligence humaine dans une large gamme de tâches.

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.

Une étude des agents auto-évolutifs : vers la voie de l'intelligence artificielle superieure

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

papers.abstract

Support