Uma Análise Abrangente de Agentes de IA Autoevolutivos: Um Novo Paradigma Conectando Modelos Fundamentais e Sistemas Agênicos de Aprendizado Contínuo

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

August 10, 2025

Autores: 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

Resumo

Os recentes avanços em modelos de linguagem de grande escala têm despertado um interesse crescente em agentes de IA capazes de resolver tarefas complexas do mundo real. No entanto, a maioria dos sistemas de agentes existentes depende de configurações manualmente elaboradas que permanecem estáticas após a implantação, limitando sua capacidade de se adaptar a ambientes dinâmicos e em evolução. Para isso, pesquisas recentes têm explorado técnicas de evolução de agentes que visam aprimorar automaticamente os sistemas de agentes com base em dados de interação e feedback ambiental. Essa direção emergente estabelece as bases para agentes de IA autoevolutivos, que unem as capacidades estáticas dos modelos de base com a adaptabilidade contínua exigida por sistemas agentísticos de longa duração. Nesta revisão, fornecemos uma análise abrangente das técnicas existentes para sistemas agentísticos autoevolutivos. Especificamente, primeiro introduzimos um framework conceitual unificado que abstrai o ciclo de feedback subjacente ao design de sistemas agentísticos autoevolutivos. O framework destaca quatro componentes principais: Entradas do Sistema, Sistema de Agentes, Ambiente e Otimizadores, servindo como base para entender e comparar diferentes estratégias. Com base nesse framework, revisamos sistematicamente uma ampla gama de técnicas autoevolutivas que visam diferentes componentes do sistema de agentes. Também investigamos estratégias de evolução específicas de domínio desenvolvidas para áreas especializadas, como biomedicina, programação e finanças, onde os objetivos de otimização estão fortemente acoplados às restrições do domínio. Além disso, fornecemos uma discussão dedicada sobre avaliação, segurança e considerações éticas para sistemas agentísticos autoevolutivos, que são críticos para garantir sua eficácia e confiabilidade. Esta revisão visa fornecer aos pesquisadores e profissionais uma compreensão sistemática dos agentes de IA autoevolutivos, estabelecendo as bases para o desenvolvimento de sistemas agentísticos mais adaptativos, autônomos e de longa duração.

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.