Adaptatie van Agentische Kunstmatige Intelligentie
Adaptation of Agentic AI
December 18, 2025
Auteurs: Pengcheng Jiang, Jiacheng Lin, Zhiyi Shi, Zifeng Wang, Luxi He, Yichen Wu, Ming Zhong, Peiyang Song, Qizheng Zhang, Heng Wang, Xueqiang Xu, Hanwen Xu, Pengrui Han, Dylan Zhang, Jiashuo Sun, Chaoqi Yang, Kun Qian, Tian Wang, Changran Hu, Manling Li, Quanzheng Li, Hao Peng, Sheng Wang, Jingbo Shang, Chao Zhang, Jiaxuan You, Liyuan Liu, Pan Lu, Yu Zhang, Heng Ji, Yejin Choi, Dawn Song, Jimeng Sun, Jiawei Han
cs.AI
Samenvatting
Geavanceerde agent-gebaseerde AI-systemen zijn gebouwd op foundation-modellen die kunnen worden aangepast om te plannen, redeneren en te interacteren met externe tools om steeds complexere en gespecialiseerde taken uit te voeren. Naarmate deze systemen in capaciteit en reikwijdte groeien, wordt adaptatie een centraal mechanisme voor het verbeteren van prestaties, betrouwbaarheid en generalisatie. In dit artikel verenigen we het snel uitdijende onderzoekslandschap in een systematisch kader dat zowel agent-adaptaties als tool-adaptaties omvat. We verdelen deze verder in door tool-uitvoering gesignaleerde en door agent-output gesignaleerde vormen van agent-adaptatie, evenals in agent-agnostische en door de agent gesuperviseerde vormen van tool-adaptatie. We tonen aan dat dit kader helpt om de ontwerpruimte van adaptatiestrategieën in agent-gebaseerde AI te verduidelijken, hun afwegingen expliciet maakt en praktische richtlijnen biedt voor het selecteren of wisselen tussen strategieën tijdens systeemontwerp. Vervolgens bespreken we de representatieve benaderingen in elke categorie, analyseren we hun sterke en zwakke punten en belichten we belangrijke open uitdagingen en toekomstige kansen. Over het geheel genomen beoogt dit artikel een conceptueel fundament en een praktische routekaart te bieden voor onderzoekers en praktijkmensen die streven naar het bouwen van capabelere, efficiëntere en betrouwbaardere agent-gebaseerde AI-systemen.
English
Cutting-edge agentic AI systems are built on foundation models that can be adapted to plan, reason, and interact with external tools to perform increasingly complex and specialized tasks. As these systems grow in capability and scope, adaptation becomes a central mechanism for improving performance, reliability, and generalization. In this paper, we unify the rapidly expanding research landscape into a systematic framework that spans both agent adaptations and tool adaptations. We further decompose these into tool-execution-signaled and agent-output-signaled forms of agent adaptation, as well as agent-agnostic and agent-supervised forms of tool adaptation. We demonstrate that this framework helps clarify the design space of adaptation strategies in agentic AI, makes their trade-offs explicit, and provides practical guidance for selecting or switching among strategies during system design. We then review the representative approaches in each category, analyze their strengths and limitations, and highlight key open challenges and future opportunities. Overall, this paper aims to offer a conceptual foundation and practical roadmap for researchers and practitioners seeking to build more capable, efficient, and reliable agentic AI systems.