SwarmAgentic: Verso la Generazione Completamente Automatica di Sistemi Agenti tramite Intelligenza dello Sciame

SwarmAgentic: Towards Fully Automated Agentic System Generation via Swarm Intelligence

June 18, 2025

Autori: Yao Zhang, Chenyang Lin, Shijie Tang, Haokun Chen, Shijie Zhou, Yunpu Ma, Volker Tresp

cs.AI

Abstract

Il rapido progresso dei Modelli Linguistici di Grande Scala ha fatto avanzare i sistemi agentici nel processo decisionale, nel coordinamento e nell'esecuzione di compiti. Tuttavia, i framework esistenti per la generazione di sistemi agentici mancano di piena autonomia, non includendo la generazione di agenti da zero, l'ottimizzazione autonoma delle funzionalità degli agenti e la collaborazione, limitando così l'adattabilità e la scalabilità. Proponiamo SwarmAgentic, un framework per la generazione completamente automatizzata di sistemi agentici che costruisce sistemi agentici da zero e ottimizza congiuntamente le funzionalità degli agenti e la collaborazione come componenti interdipendenti attraverso un'esplorazione guidata dal linguaggio. Per consentire una ricerca efficiente sulle strutture a livello di sistema, SwarmAgentic mantiene una popolazione di sistemi candidati e li evolve tramite aggiornamenti guidati dal feedback, traendo ispirazione dall'Ottimizzazione a Sciame di Particelle (PSO). Valutiamo il nostro metodo su sei compiti reali, aperti ed esplorativi che coinvolgono pianificazione di alto livello, coordinamento a livello di sistema e ragionamento creativo. Dati solo una descrizione del compito e una funzione obiettivo, SwarmAgentic supera tutti i benchmark, ottenendo un miglioramento relativo del +261,8% rispetto ad ADAS nel benchmark TravelPlanner, evidenziando l'efficacia della piena automazione in compiti strutturalmente non vincolati. Questo framework rappresenta un passo significativo verso la progettazione scalabile e autonoma di sistemi agentici, unendo l'intelligenza a sciame con la generazione completamente automatizzata di sistemi multi-agente. Il nostro codice è pubblicamente disponibile all'indirizzo https://yaoz720.github.io/SwarmAgentic/.

English

The rapid progress of Large Language Models has advanced agentic systems in decision-making, coordination, and task execution. Yet, existing agentic system generation frameworks lack full autonomy, missing from-scratch agent generation, self-optimizing agent functionality, and collaboration, limiting adaptability and scalability. We propose SwarmAgentic, a framework for fully automated agentic system generation that constructs agentic systems from scratch and jointly optimizes agent functionality and collaboration as interdependent components through language-driven exploration. To enable efficient search over system-level structures, SwarmAgentic maintains a population of candidate systems and evolves them via feedback-guided updates, drawing inspiration from Particle Swarm Optimization (PSO). We evaluate our method on six real-world, open-ended, and exploratory tasks involving high-level planning, system-level coordination, and creative reasoning. Given only a task description and an objective function, SwarmAgentic outperforms all baselines, achieving a +261.8% relative improvement over ADAS on the TravelPlanner benchmark, highlighting the effectiveness of full automation in structurally unconstrained tasks. This framework marks a significant step toward scalable and autonomous agentic system design, bridging swarm intelligence with fully automated system multi-agent generation. Our code is publicly released at https://yaoz720.github.io/SwarmAgentic/.