Una Rassegna Completa sugli Agenti AI Auto-Evolutivi: Un Nuovo Paradigma che Collega i Modelli di Base e i Sistemi Agenti a Lungo Termine

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

August 10, 2025

Autori: 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

Abstract

I recenti progressi nei modelli linguistici di grandi dimensioni hanno suscitato un crescente interesse verso agenti di intelligenza artificiale in grado di risolvere compiti complessi e reali. Tuttavia, la maggior parte dei sistemi di agenti esistenti si basa su configurazioni create manualmente che rimangono statiche dopo il dispiegamento, limitando la loro capacità di adattarsi a ambienti dinamici ed evolutivi. A tal fine, ricerche recenti hanno esplorato tecniche di evoluzione degli agenti che mirano a migliorare automaticamente i sistemi di agenti basandosi sui dati di interazione e sul feedback ambientale. Questa direzione emergente getta le basi per agenti di IA auto-evolutivi, che colmano il divario tra le capacità statiche dei modelli di base e l'adattabilità continua richiesta dai sistemi agentici lifelong. In questa rassegna, forniamo una revisione completa delle tecniche esistenti per i sistemi agentici auto-evolutivi. Nello specifico, introduciamo prima un quadro concettuale unificato che astrae il ciclo di feedback alla base della progettazione di sistemi agentici auto-evolutivi. Il framework evidenzia quattro componenti chiave: Input di Sistema, Sistema Agente, Ambiente e Ottimizzatori, che fungono da fondamento per comprendere e confrontare diverse strategie. Basandoci su questo framework, esaminiamo sistematicamente una vasta gamma di tecniche auto-evolutive che mirano a diversi componenti del sistema agente. Investigiamo inoltre strategie di evoluzione specifiche per domini sviluppate per campi specializzati come biomedicina, programmazione e finanza, dove gli obiettivi di ottimizzazione sono strettamente legati ai vincoli di dominio. In aggiunta, forniamo una discussione dedicata su valutazione, sicurezza e considerazioni etiche per i sistemi agentici auto-evolutivi, che sono cruciali per garantirne l'efficacia e l'affidabilità. Questa rassegna mira a fornire a ricercatori e professionisti una comprensione sistematica degli agenti di IA auto-evolutivi, gettando le basi per lo sviluppo di sistemi agentici più adattativi, autonomi e lifelong.

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.