자기 진화 AI 에이전트에 대한 포괄적 조사: 기초 모델과 평생 에이전트 시스템을 잇는 새로운 패러다임
A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems
August 10, 2025
저자: 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
초록
대규모 언어 모델의 최근 발전은 복잡한 현실 세계의 과제를 해결할 수 있는 AI 에이전트에 대한 관심을 높이고 있습니다. 그러나 대부분의 기존 에이전트 시스템은 배포 후 정적으로 유지되는 수동으로 구성된 설정에 의존하여, 동적이고 진화하는 환경에 적응하는 능력이 제한적입니다. 이를 위해 최근 연구에서는 상호작용 데이터와 환경 피드백을 기반으로 에이전트 시스템을 자동으로 개선하기 위한 에이전트 진화 기술을 탐구하고 있습니다. 이러한 새로운 방향은 기초 모델의 정적 능력과 평생 에이전트 시스템이 요구하는 지속적인 적응성을 연결하는 자기 진화 AI 에이전트의 기반을 마련합니다. 본 조사에서는 자기 진화 에이전트 시스템을 위한 기존 기술을 포괄적으로 검토합니다. 구체적으로, 먼저 자기 진화 에이전트 시스템 설계의 기반이 되는 피드백 루프를 추상화한 통합 개념적 프레임워크를 소개합니다. 이 프레임워크는 시스템 입력, 에이전트 시스템, 환경, 최적화 도구라는 네 가지 핵심 구성 요소를 강조하며, 이를 통해 다양한 전략을 이해하고 비교할 수 있는 기반을 제공합니다. 이 프레임워크를 바탕으로, 에이전트 시스템의 다양한 구성 요소를 대상으로 하는 광범위한 자기 진화 기술을 체계적으로 검토합니다. 또한, 생물의학, 프로그래밍, 금융과 같은 특수 분야에서 개발된 도메인 특화 진화 전략을 조사하며, 이 분야에서는 최적화 목표가 도메인 제약과 밀접하게 연관되어 있습니다. 더불어, 자기 진화 에이전트 시스템의 평가, 안전성, 윤리적 고려 사항에 대한 전용 논의를 제공하며, 이는 시스템의 효과성과 신뢰성을 보장하는 데 중요합니다. 본 조사는 연구자와 실무자에게 자기 진화 AI 에이전트에 대한 체계적인 이해를 제공함으로써, 더 적응적이고 자율적이며 평생 지속 가능한 에이전트 시스템 개발의 기반을 마련하고자 합니다.
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.