EvoFSM: Auto-evoluzione Controllabile per la Ricerca Avanzata con Macchine a Stati Finiti

EvoFSM: Controllable Self-Evolution for Deep Research with Finite State Machines

January 14, 2026

Autori: Shuo Zhang, Chaofa Yuan, Ryan Guo, Xiaomin Yu, Rui Xu, Zhangquan Chen, Zinuo Li, Zhi Yang, Shuhao Guan, Zhenheng Tang, Sen Hu, Liwen Zhang, Ronghao Chen, Huacan Wang

cs.AI

Abstract

Sebbene gli agenti basati su LLM abbiano mostrato potenziale per la ricerca approfondita, la maggior parte degli approcci esistenti si affida a flussi di lavoro fissi che faticano ad adattarsi a query aperte e del mondo reale. Recenti lavori esplorano quindi l'auto-evoluzione consentendo agli agenti di riscrivere il proprio codice o i propri prompt per migliorare la capacità di problem-solving, ma un'ottimizzazione senza vincoli spesso innesca instabilità, allucinazioni e deriva delle istruzioni. Proponiamo EvoFSM, un framework strutturato di auto-evoluzione che coniuga adattabilità e controllo evolvendo una Macchina a Stati Finiti (FSM) esplicita, invece di affidarsi a riscritture libere. EvoFSM disaccoppia lo spazio di ottimizzazione in Flusso macroscopico (logica di transizione di stato) e Abilità microscopiche (comportamenti specifici dello stato), consentendo miglioramenti mirati entro confini comportamentali chiari. Guidato da un meccanismo critico, EvoFSM affina la FSM attraverso un piccolo insieme di operazioni vincolate e incorpora inoltre una memoria auto-evolutiva che estrae traiettorie di successo come prior riutilizzabili e pattern di fallimento come vincoli per query future. Valutazioni estensive su cinque benchmark di QA multi-hop dimostrano l'efficacia di EvoFSM. In particolare, EvoFSM raggiunge un'accuratezza del 58,0% sul benchmark DeepSearch. Risultati aggiuntivi su compiti di decisione interattiva ne convalidano ulteriormente la generalizzazione.

English

While LLM-based agents have shown promise for deep research, most existing approaches rely on fixed workflows that struggle to adapt to real-world, open-ended queries. Recent work therefore explores self-evolution by allowing agents to rewrite their own code or prompts to improve problem-solving ability, but unconstrained optimization often triggers instability, hallucinations, and instruction drift. We propose EvoFSM, a structured self-evolving framework that achieves both adaptability and control by evolving an explicit Finite State Machine (FSM) instead of relying on free-form rewriting. EvoFSM decouples the optimization space into macroscopic Flow (state-transition logic) and microscopic Skill (state-specific behaviors), enabling targeted improvements under clear behavioral boundaries. Guided by a critic mechanism, EvoFSM refines the FSM through a small set of constrained operations, and further incorporates a self-evolving memory that distills successful trajectories as reusable priors and failure patterns as constraints for future queries. Extensive evaluations on five multi-hop QA benchmarks demonstrate the effectiveness of EvoFSM. In particular, EvoFSM reaches 58.0% accuracy on the DeepSearch benchmark. Additional results on interactive decision-making tasks further validate its generalization.