Agentes de Evolução em Grupo: Autossuperação Contínua por Meio do Compartilhamento de Experiências
Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing
February 4, 2026
Autores: Zhaotian Weng, Antonis Antoniades, Deepak Nathani, Zhen Zhang, Xiao Pu, Xin Eric Wang
cs.AI
Resumo
Agentes de autoaperfeiçoamento de ciclo aberto podem modificar autonomamente seus próprios projetos estruturais para avançar suas capacidades e superar os limites de arquiteturas predefinidas, reduzindo assim a dependência de intervenção humana. Apresentamos os Agentes de Evolução em Grupo (GEA), um novo paradigma para autoaperfeiçoamento de ciclo aberto que trata um grupo de agentes como unidade evolutiva fundamental, permitindo o compartilhamento e reutilização explícita de experiências dentro do grupo ao longo da evolução. Diferente dos paradigmas de auto-evolução de ciclo aberto existentes que adotam evolução em estrutura arbórea, o GEA supera a limitação da utilização ineficiente da diversidade exploratória causada por ramos evolutivos isolados. Avaliamos o GEA em benchmarks desafiadores de codificação, onde ele supera significativamente os métodos de auto-evolução state-of-the-art (71,0% vs. 56,7% no SWE-bench Verified, 88,3% vs. 68,3% no Polyglot) e iguala ou excede os melhores frameworks de agentes projetados por humanos (71,8% e 52,0% em dois benchmarks, respectivamente). A análise revela que o GEA converte mais efetivamente a diversidade exploratória inicial em progresso sustentado de longo prazo, alcançando desempenho superior com o mesmo número de agentes evoluídos. Além disso, o GEA exibe transferibilidade consistente entre diferentes modelos de codificação e maior robustez, corrigindo bugs em nível de framework em 1,4 iterações em média, contra 5 dos métodos de auto-evolução.
English
Open-ended self-improving agents can autonomously modify their own structural designs to advance their capabilities and overcome the limits of pre-defined architectures, thus reducing reliance on human intervention. We introduce Group-Evolving Agents (GEA), a new paradigm for open-ended self-improvements, which treats a group of agents as the fundamental evolutionary unit, enabling explicit experience sharing and reuse within the group throughout evolution. Unlike existing open-ended self-evolving paradigms that adopt tree-structured evolution, GEA overcomes the limitation of inefficient utilization of exploratory diversity caused by isolated evolutionary branches. We evaluate GEA on challenging coding benchmarks, where it significantly outperforms state-of-the-art self-evolving methods (71.0% vs. 56.7% on SWE-bench Verified, 88.3% vs. 68.3% on Polyglot) and matches or exceeds top human-designed agent frameworks (71.8% and 52.0% on two benchmarks, respectively). Analysis reveals that GEA more effectively converts early-stage exploratory diversity into sustained, long-term progress, achieving stronger performance under the same number of evolved agents. Furthermore, GEA exhibits consistent transferability across different coding models and greater robustness, fixing framework-level bugs in 1.4 iterations on average, versus 5 for self-evolving methods.