Een uitgebreid overzicht van zelf-evoluerende AI-agenten: Een nieuw paradigma dat foundation models en levenslange agent-systemen verbindt

A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems

August 10, 2025

Auteurs: 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

Samenvatting

Recente ontwikkelingen in grote taalmodellen hebben een groeiende interesse gewekt in AI-agenten die complexe, real-world taken kunnen oplossen. De meeste bestaande agentsystemen vertrouwen echter op handmatig gemaakte configuraties die statisch blijven na implementatie, wat hun vermogen beperkt om zich aan te passen aan dynamische en evoluerende omgevingen. Daarom heeft recent onderzoek zich gericht op technieken voor agent-evolutie die agentsystemen automatisch verbeteren op basis van interactiedata en omgevingsfeedback. Deze opkomende richting legt de basis voor zelf-evoluerende AI-agenten, die de statische mogelijkheden van foundationmodellen combineren met de continue aanpassingsvermogen die vereist is voor levenslange agentische systemen. In dit overzicht bieden we een uitgebreide review van bestaande technieken voor zelf-evoluerende agentische systemen. Specifiek introduceren we eerst een uniform conceptueel raamwerk dat de feedbacklus abstraheert die ten grondslag ligt aan het ontwerp van zelf-evoluerende agentische systemen. Het raamwerk benadrukt vier sleutelcomponenten: Systeeminvoer, Agentsysteem, Omgeving en Optimalisatoren, die dienen als basis voor het begrijpen en vergelijken van verschillende strategieën. Op basis van dit raamwerk bespreken we systematisch een breed scala aan zelf-evoluerende technieken die gericht zijn op verschillende componenten van het agentsysteem. We onderzoeken ook domeinspecifieke evolutiestrategieën die zijn ontwikkeld voor gespecialiseerde velden zoals biomedische wetenschappen, programmeren en financiën, waar optimalisatiedoelen nauw verbonden zijn met domeinbeperkingen. Daarnaast bieden we een toegewijd discussie over de evaluatie, veiligheid en ethische overwegingen voor zelf-evoluerende agentische systemen, die cruciaal zijn om hun effectiviteit en betrouwbaarheid te waarborgen. Dit overzicht beoogt onderzoekers en praktijkmensen een systematisch begrip te bieden van zelf-evoluerende AI-agenten, en legt de basis voor de ontwikkeling van meer adaptieve, autonome en levenslange agentische systemen.

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.