Una Rassegna sugli Agenti Auto-Evolutivi: Verso il Percorso dell'Intelligenza Artificiale Superiore

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

July 28, 2025

Autori: Huan-ang Gao, Jiayi Geng, Wenyue Hua, Mengkang Hu, Xinzhe Juan, Hongzhang Liu, Shilong Liu, Jiahao Qiu, Xuan Qi, Yiran Wu, Hongru Wang, Han Xiao, Yuhang Zhou, Shaokun Zhang, Jiayi Zhang, Jinyu Xiang, Yixiong Fang, Qiwen Zhao, Dongrui Liu, Qihan Ren, Cheng Qian, Zhenghailong Wang, Minda Hu, Huazheng Wang, Qingyun Wu, Heng Ji, Mengdi Wang

cs.AI

Abstract

I Modelli Linguistici di Grande Dimensione (LLM) hanno dimostrato capacità significative, ma rimangono fondamentalmente statici, incapaci di adattare i loro parametri interni a nuovi compiti, domini di conoscenza in evoluzione o contesti di interazione dinamici. Poiché i LLM vengono sempre più implementati in ambienti aperti e interattivi, questa natura statica è diventata un collo di bottiglia critico, rendendo necessari agenti in grado di ragionare, agire ed evolversi in tempo reale in modo adattivo. Questo cambio di paradigma — dal ridimensionamento di modelli statici allo sviluppo di agenti auto-evolventi — ha suscitato un crescente interesse per architetture e metodi che consentano l'apprendimento continuo e l'adattamento da dati, interazioni ed esperienze. Questa rassegna offre la prima revisione sistematica e completa degli agenti auto-evolventi, organizzata attorno a tre dimensioni fondamentali: cosa evolvere, quando evolvere e come evolvere. Esaminiamo i meccanismi evolutivi attraverso i componenti degli agenti (ad esempio, modelli, memoria, strumenti, architettura), categorizziamo i metodi di adattamento per fasi (ad esempio, intra-test-time, inter-test-time) e analizziamo i disegni algoritmici e architetturali che guidano l'adattamento evolutivo (ad esempio, ricompense scalari, feedback testuale, sistemi a singolo agente e multi-agente). Inoltre, analizziamo metriche di valutazione e benchmark specifici per agenti auto-evolventi, evidenziamo applicazioni in domini come la programmazione, l'educazione e la sanità, e identifichiamo sfide critiche e direzioni di ricerca in materia di sicurezza, scalabilità e dinamiche co-evolutive. Fornendo un quadro strutturato per comprendere e progettare agenti auto-evolventi, questa rassegna stabilisce una roadmap per avanzare i sistemi agentici adattativi sia nella ricerca che nelle implementazioni nel mondo reale, gettando infine luce sul percorso verso la realizzazione dell'Intelligenza Artificiale Superiore (ASI), dove gli agenti si evolvono autonomamente, performando a o oltre il livello di intelligenza umana in un'ampia gamma di compiti.

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.