EvoFSM: Auto-Evolução Controlada para Pesquisa Profunda com Máquinas de Estados Finitos

EvoFSM: Controllable Self-Evolution for Deep Research with Finite State Machines

January 14, 2026

Autores: Shuo Zhang, Chaofa Yuan, Ryan Guo, Xiaomin Yu, Rui Xu, Zhangquan Chen, Zinuo Li, Zhi Yang, Shuhao Guan, Zhenheng Tang, Sen Hu, Liwen Zhang, Ronghao Chen, Huacan Wang

cs.AI

Resumo

Embora os agentes baseados em LLM tenham mostrado potencial para pesquisas profundas, a maioria das abordagens existentes depende de fluxos de trabalho fixos que lutam para se adaptar a consultas abertas do mundo real. Trabalhos recentes, portanto, exploram a auto-evolução permitindo que os agentes reescrevam seu próprio código ou *prompts* para melhorar a capacidade de resolução de problemas, mas a otimização sem restrições frequentemente desencadeia instabilidade, alucinações e desvio de instruções. Propomos o EvoFSM, uma estrutura de auto-evolução estruturada que alcança tanto adaptabilidade quanto controle evoluindo uma Máquina de Estados Finitos (MEF) explícita, em vez de depender de reescrita livre. O EvoFSM desacopla o espaço de otimização em *Flow* macroscópico (lógica de transição de estados) e *Skill* microscópico (comportamentos específicos do estado), permitindo melhorias direcionadas sob limites comportamentais claros. Guiado por um mecanismo crítico, o EvoFSM refina a MEF por meio de um pequeno conjunto de operações restritas e ainda incorpora uma memória auto-evolutiva que destila trajetórias bem-sucedidas como *priors* reutilizáveis e padrões de falha como restrições para consultas futuras. Avaliações extensas em cinco *benchmarks* de QA multi-hop demonstram a eficácia do EvoFSM. Em particular, o EvoFSM atinge 58,0% de precisão no *benchmark* DeepSearch. Resultados adicionais em tarefas interativas de tomada de decisão validam ainda mais sua generalização.

English

While LLM-based agents have shown promise for deep research, most existing approaches rely on fixed workflows that struggle to adapt to real-world, open-ended queries. Recent work therefore explores self-evolution by allowing agents to rewrite their own code or prompts to improve problem-solving ability, but unconstrained optimization often triggers instability, hallucinations, and instruction drift. We propose EvoFSM, a structured self-evolving framework that achieves both adaptability and control by evolving an explicit Finite State Machine (FSM) instead of relying on free-form rewriting. EvoFSM decouples the optimization space into macroscopic Flow (state-transition logic) and microscopic Skill (state-specific behaviors), enabling targeted improvements under clear behavioral boundaries. Guided by a critic mechanism, EvoFSM refines the FSM through a small set of constrained operations, and further incorporates a self-evolving memory that distills successful trajectories as reusable priors and failure patterns as constraints for future queries. Extensive evaluations on five multi-hop QA benchmarks demonstrate the effectiveness of EvoFSM. In particular, EvoFSM reaches 58.0% accuracy on the DeepSearch benchmark. Additional results on interactive decision-making tasks further validate its generalization.