자기 진화 에이전트에 대한 조사: 인공 초지능을 향한 길

초록

대형 언어 모델(LLMs)은 강력한 능력을 보여주었지만 근본적으로 정적이며, 새로운 작업, 진화하는 지식 영역, 또는 동적인 상호작용 맥락에 맞춰 내부 매개변수를 적응시킬 수 없습니다. LLMs가 점점 더 개방적이고 상호작용적인 환경에 배포됨에 따라, 이러한 정적 특성은 실시간으로 적응적으로 추론, 행동, 진화할 수 있는 에이전트의 필요성을 야기하는 중요한 병목 현상이 되었습니다. 정적 모델의 확장에서 자기 진화 에이전트 개발로의 이러한 패러다임 전환은 데이터, 상호작용, 경험으로부터 지속적인 학습과 적응을 가능하게 하는 아키텍처와 방법에 대한 관심을 불러일으켰습니다. 본 논문은 자기 진화 에이전트에 대한 첫 번째 체계적이고 포괄적인 리뷰를 제공하며, 무엇을 진화시킬 것인지, 언제 진화시킬 것인지, 어떻게 진화시킬 것인지라는 세 가지 기본 차원을 중심으로 구성됩니다. 우리는 에이전트 구성 요소(예: 모델, 메모리, 도구, 아키텍처) 간의 진화 메커니즘을 검토하고, 적응 방법을 단계별(예: 테스트 시간 내, 테스트 시간 간)로 분류하며, 진화적 적응을 이끄는 알고리즘 및 아키텍처 설계(예: 스칼라 보상, 텍스트 피드백, 단일 에이전트 및 다중 에이전트 시스템)를 분석합니다. 또한, 자기 진화 에이전트를 위해 맞춤화된 평가 지표와 벤치마크를 분석하고, 코딩, 교육, 헬스케어와 같은 분야에서의 응용 사례를 강조하며, 안전성, 확장성, 공진화 역학에서의 중요한 도전 과제와 연구 방향을 식별합니다. 자기 진화 에이전트를 이해하고 설계하기 위한 구조화된 프레임워크를 제공함으로써, 본 논문은 연구 및 실제 배포에서 적응형 에이전트 시스템을 발전시키기 위한 로드맵을 제시하고, 궁극적으로 다양한 작업에서 인간 수준 이상의 지능을 발휘하며 자율적으로 진화하는 인공 초지능(ASI)의 실현을 위한 길을 밝힙니다.

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.

자기 진화 에이전트에 대한 조사: 인공 초지능을 향한 길

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

초록

Support