SwarmAgentic: Rumo à Geração Totalmente Automatizada de Sistemas Agentes por meio de Inteligência de Enxame

SwarmAgentic: Towards Fully Automated Agentic System Generation via Swarm Intelligence

June 18, 2025

Autores: Yao Zhang, Chenyang Lin, Shijie Tang, Haokun Chen, Shijie Zhou, Yunpu Ma, Volker Tresp

cs.AI

Resumo

O rápido progresso dos Modelos de Linguagem de Grande Escala tem avançado os sistemas agentes em tomada de decisão, coordenação e execução de tarefas. No entanto, os frameworks existentes para geração de sistemas agentes carecem de autonomia completa, faltando geração de agentes do zero, funcionalidade de auto-otimização dos agentes e colaboração, limitando a adaptabilidade e escalabilidade. Propomos o SwarmAgentic, um framework para geração totalmente automatizada de sistemas agentes que constrói sistemas agentes do zero e otimiza conjuntamente a funcionalidade dos agentes e a colaboração como componentes interdependentes por meio de exploração orientada por linguagem. Para permitir uma busca eficiente sobre estruturas de nível de sistema, o SwarmAgentic mantém uma população de sistemas candidatos e os evolui por meio de atualizações guiadas por feedback, inspirando-se na Otimização por Enxame de Partículas (PSO). Avaliamos nosso método em seis tarefas do mundo real, abertas e exploratórias, envolvendo planejamento de alto nível, coordenação em nível de sistema e raciocínio criativo. Dada apenas uma descrição da tarefa e uma função objetivo, o SwarmAgentic supera todas as baselines, alcançando uma melhoria relativa de +261,8% sobre o ADAS no benchmark TravelPlanner, destacando a eficácia da automação completa em tarefas estruturalmente não restritas. Este framework representa um passo significativo em direção ao design escalável e autônomo de sistemas agentes, unindo inteligência de enxame com geração totalmente automatizada de sistemas multiagentes. Nosso código está disponível publicamente em https://yaoz720.github.io/SwarmAgentic/.

English

The rapid progress of Large Language Models has advanced agentic systems in decision-making, coordination, and task execution. Yet, existing agentic system generation frameworks lack full autonomy, missing from-scratch agent generation, self-optimizing agent functionality, and collaboration, limiting adaptability and scalability. We propose SwarmAgentic, a framework for fully automated agentic system generation that constructs agentic systems from scratch and jointly optimizes agent functionality and collaboration as interdependent components through language-driven exploration. To enable efficient search over system-level structures, SwarmAgentic maintains a population of candidate systems and evolves them via feedback-guided updates, drawing inspiration from Particle Swarm Optimization (PSO). We evaluate our method on six real-world, open-ended, and exploratory tasks involving high-level planning, system-level coordination, and creative reasoning. Given only a task description and an objective function, SwarmAgentic outperforms all baselines, achieving a +261.8% relative improvement over ADAS on the TravelPlanner benchmark, highlighting the effectiveness of full automation in structurally unconstrained tasks. This framework marks a significant step toward scalable and autonomous agentic system design, bridging swarm intelligence with fully automated system multi-agent generation. Our code is publicly released at https://yaoz720.github.io/SwarmAgentic/.