Zelfverbeteringen in Moderne Agentische Systemen: Een Overzicht
Self-Improvements in Modern Agentic Systems: A Survey
July 14, 2026
Auteurs: Zhe Ren, Yimeng Chen, Dandan Guo, Guowei Rong, Tonghui Li, R. B. Xiong, Qingfeng Lan, Wenyi Wang, Li Nanbo, Yibo Yang, Mingchen Zhuge, Jürgen Schmidhuber
cs.AI
Samenvatting
Zelfverbeterende autonome agents evolueren van onderzoeksprototypes naar operationele systemen. Het primaire doel is controleerbare evolutie, of aanpassing, op basis van ervaring met minimale of zelfs geen menselijke input. Deze survey plaatst moderne zelfverbeterende agents als adaptieve systemen die ervaring omzetten in cumulatieve capaciteitswinsten. We bieden een systeemniveau-framework dat een moderne agent voorstelt als een configuratie die een fundamentmodel koppelt aan een operationele steiger van prompts, geheugen, tools en besturingslogica. Binnen dit framework wordt zelfverbetering geformaliseerd als een zelfgeïnduceerde update-operator die updates van modelparameters of steigercomponenten verkrijgt en doorvoert. We ordenen eerder werk per updatetype en per signalen die verandering aandrijven, bespreken vervolgens toepassingen en evaluatie, en sluiten af met open problemen en toekomstige richtingen. Voor het gemak houden we technische updates bij op https://github.com/selfimproving-agent/awesome-Self-Improving-Agents.
English
Self-improving autonomous agents are moving from research prototypes to deployed systems. The primary goal is controllable evolution, or adaptation, from experience with minimal or even no human input. This survey frames modern self-improving agents as adaptive systems that convert experience into accumulated capability gains. We offer a system-level framework that represents a modern agent as a configuration coupling a foundation model with an operational scaffold of prompts, memory, tools, and control logic. Within this framework, self-improvement is formalized as a self-induced update operator that obtains and commits updates to model parameters or scaffold components. We organize prior work by update target and by the signals that drive change, then review applications and discuss evaluation, before closing with open problems and future directions. For convenience, we track technical updates on https://github.com/selfimproving-agent/awesome-Self-Improving-Agents.