Agenti a Evoluzione Collettiva: Auto-miglioramento Continuo tramite Condivisione dell'Esperienza
Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing
February 4, 2026
Autori: Zhaotian Weng, Antonis Antoniades, Deepak Nathani, Zhen Zhang, Xiao Pu, Xin Eric Wang
cs.AI
Abstract
Gli agenti auto-miglioranti a ciclo aperto possono modificare autonomamente i propri progetti strutturali per potenziare le capacità e superare i limiti delle architetture predefinite, riducendo così la dipendenza dall'intervento umano. Introduciamo gli Agenti a Evoluzione di Gruppo (GEA), un nuovo paradigma per l'auto-miglioramento a ciclo aperto che considera un gruppo di agenti come unità evolutiva fondamentale, consentendo la condivisione e il riutilizzo esplicito dell'esperienza all'interno del gruppo durante l'evoluzione. A differenza dei paradigmi esistenti di auto-evoluzione a ciclo aperto che adottano un'evoluzione ad albero, GEA supera la limitazione dello sfruttamento inefficiente della diversità esplorativa causata dai rami evolutivi isolati. Valutiamo GEA su benchmark di codifica complessi, dove supera significativamente i metodi di auto-evoluzione all'avanguardia (71,0% contro 56,7% su SWE-bench Verified, 88,3% contro 68,3% su Polyglot) e raggiunge o supera i migliori framework di agenti progettati da umani (rispettivamente 71,8% e 52,0% su due benchmark). L'analisi rivela che GEA converte più efficacemente la diversità esplorativa iniziale in progressi sostenuti a lungo termine, ottenendo prestazioni superiori a parità di numero di agenti evoluti. Inoltre, GEA mostra una trasferibilità coerente tra diversi modelli di codifica e una maggiore robustezza, correggendo bug a livello di framework in 1,4 iterazioni in media, contro le 5 dei metodi di auto-evoluzione.
English
Open-ended self-improving agents can autonomously modify their own structural designs to advance their capabilities and overcome the limits of pre-defined architectures, thus reducing reliance on human intervention. We introduce Group-Evolving Agents (GEA), a new paradigm for open-ended self-improvements, which treats a group of agents as the fundamental evolutionary unit, enabling explicit experience sharing and reuse within the group throughout evolution. Unlike existing open-ended self-evolving paradigms that adopt tree-structured evolution, GEA overcomes the limitation of inefficient utilization of exploratory diversity caused by isolated evolutionary branches. We evaluate GEA on challenging coding benchmarks, where it significantly outperforms state-of-the-art self-evolving methods (71.0% vs. 56.7% on SWE-bench Verified, 88.3% vs. 68.3% on Polyglot) and matches or exceeds top human-designed agent frameworks (71.8% and 52.0% on two benchmarks, respectively). Analysis reveals that GEA more effectively converts early-stage exploratory diversity into sustained, long-term progress, achieving stronger performance under the same number of evolved agents. Furthermore, GEA exhibits consistent transferability across different coding models and greater robustness, fixing framework-level bugs in 1.4 iterations on average, versus 5 for self-evolving methods.