Een overzicht van zelfontwikkelende agenten: op weg naar kunstmatige superintelligentie

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

July 28, 2025

Auteurs: Huan-ang Gao, Jiayi Geng, Wenyue Hua, Mengkang Hu, Xinzhe Juan, Hongzhang Liu, Shilong Liu, Jiahao Qiu, Xuan Qi, Yiran Wu, Hongru Wang, Han Xiao, Yuhang Zhou, Shaokun Zhang, Jiayi Zhang, Jinyu Xiang, Yixiong Fang, Qiwen Zhao, Dongrui Liu, Qihan Ren, Cheng Qian, Zhenghailong Wang, Minda Hu, Huazheng Wang, Qingyun Wu, Heng Ji, Mengdi Wang

cs.AI

Samenvatting

Grote Taalmodellen (LLM's) hebben sterke capaciteiten getoond, maar blijven fundamenteel statisch, niet in staat om hun interne parameters aan te passen aan nieuwe taken, evoluerende kennisgebieden of dynamische interactiecontexten. Naarmate LLM's steeds vaker worden ingezet in open, interactieve omgevingen, is deze statische aard een kritieke beperking geworden, wat de noodzaak creëert voor agents die adaptief kunnen redeneren, handelen en evolueren in realtime. Deze paradigmaverschuiving – van het schalen van statische modellen naar het ontwikkelen van zelf-evoluerende agents – heeft een groeiende interesse gewekt in architecturen en methoden die continu leren en aanpassen mogelijk maken op basis van data, interacties en ervaringen. Dit overzicht biedt de eerste systematische en uitgebreide review van zelf-evoluerende agents, georganiseerd rond drie fundamentele dimensies – wat te evolueren, wanneer te evolueren en hoe te evolueren. We onderzoeken evolutionaire mechanismen in agentcomponenten (bijv. modellen, geheugen, tools, architectuur), categoriseren aanpassingsmethoden op basis van fasen (bijv. intra-testtijd, inter-testtijd) en analyseren de algoritmische en architectonische ontwerpen die evolutionaire aanpassing sturen (bijv. scalaire beloningen, tekstuele feedback, single-agent en multi-agent systemen). Daarnaast analyseren we evaluatiemetrics en benchmarks die zijn toegesneden op zelf-evoluerende agents, belichten toepassingen in domeinen zoals coderen, onderwijs en gezondheidszorg, en identificeren kritieke uitdagingen en onderzoeksrichtingen op het gebied van veiligheid, schaalbaarheid en co-evolutionaire dynamiek. Door een gestructureerd kader te bieden voor het begrijpen en ontwerpen van zelf-evoluerende agents, legt dit overzicht een roadmap vast voor het bevorderen van adaptieve agentische systemen in zowel onderzoek als real-world implementaties, en werpt het uiteindelijk licht op de weg naar de realisatie van Kunstmatige Superintelligentie (ASI), waar agents autonoom evolueren en presteren op of boven menselijk niveau in een breed scala aan taken.

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.