SwarmAgentic: Naar Volledig Geautomatiseerde Generatie van Agentische Systemen via Zwermintelligentie

SwarmAgentic: Towards Fully Automated Agentic System Generation via Swarm Intelligence

June 18, 2025

Auteurs: Yao Zhang, Chenyang Lin, Shijie Tang, Haokun Chen, Shijie Zhou, Yunpu Ma, Volker Tresp

cs.AI

Samenvatting

De snelle vooruitgang van Large Language Models heeft agentische systemen bevorderd in besluitvorming, coördinatie en taakuitvoering. Toch ontbreekt het bestaande frameworks voor het genereren van agentische systemen aan volledige autonomie, waarbij het ontbreken van het genereren van agents vanaf nul, zelfoptimaliserende agentfunctionaliteit en samenwerking de aanpassings- en schaalbaarheid beperken. Wij stellen SwarmAgentic voor, een framework voor volledig geautomatiseerde generatie van agentische systemen dat agentische systemen vanaf nul opbouwt en zowel agentfunctionaliteit als samenwerking als onderling afhankelijke componenten gezamenlijk optimaliseert via taalgedreven exploratie. Om efficiënte zoektochten over systeemniveau structuren mogelijk te maken, onderhoudt SwarmAgentic een populatie van kandidaatsystemen en evolueert deze via feedback-gestuurde updates, geïnspireerd door Particle Swarm Optimization (PSO). We evalueren onze methode op zes real-world, open-ended en verkennende taken die betrekking hebben op hoogwaardige planning, systeemniveau coördinatie en creatief redeneren. Met alleen een taakbeschrijving en een objectieve functie presteert SwarmAgentic beter dan alle baseline-methoden, met een relatieve verbetering van +261,8% ten opzichte van ADAS op de TravelPlanner-benchmark, wat de effectiviteit van volledige automatisering in structureel onbeperkte taken benadrukt. Dit framework markeert een belangrijke stap in de richting van schaalbare en autonome ontwerpen van agentische systemen, waarbij zwermintelligentie wordt verbonden met volledig geautomatiseerde multi-agent systeemgeneratie. Onze code is openbaar beschikbaar op https://yaoz720.github.io/SwarmAgentic/.

English

The rapid progress of Large Language Models has advanced agentic systems in decision-making, coordination, and task execution. Yet, existing agentic system generation frameworks lack full autonomy, missing from-scratch agent generation, self-optimizing agent functionality, and collaboration, limiting adaptability and scalability. We propose SwarmAgentic, a framework for fully automated agentic system generation that constructs agentic systems from scratch and jointly optimizes agent functionality and collaboration as interdependent components through language-driven exploration. To enable efficient search over system-level structures, SwarmAgentic maintains a population of candidate systems and evolves them via feedback-guided updates, drawing inspiration from Particle Swarm Optimization (PSO). We evaluate our method on six real-world, open-ended, and exploratory tasks involving high-level planning, system-level coordination, and creative reasoning. Given only a task description and an objective function, SwarmAgentic outperforms all baselines, achieving a +261.8% relative improvement over ADAS on the TravelPlanner benchmark, highlighting the effectiveness of full automation in structurally unconstrained tasks. This framework marks a significant step toward scalable and autonomous agentic system design, bridging swarm intelligence with fully automated system multi-agent generation. Our code is publicly released at https://yaoz720.github.io/SwarmAgentic/.