Uma Análise de Agentes de Auto-Evolução: Rumo à Superinteligência Artificial

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

July 28, 2025

Autores: 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

Resumo

Modelos de Linguagem de Grande Escala (LLMs) demonstraram capacidades robustas, mas permanecem fundamentalmente estáticos, incapazes de adaptar seus parâmetros internos a novas tarefas, domínios de conhecimento em evolução ou contextos de interação dinâmicos. À medida que os LLMs são cada vez mais implantados em ambientes interativos e abertos, essa natureza estática tornou-se um gargalo crítico, exigindo agentes que possam raciocinar, agir e evoluir de forma adaptativa em tempo real. Essa mudança de paradigma — da escalabilidade de modelos estáticos para o desenvolvimento de agentes auto-evolutivos — despertou um interesse crescente em arquiteturas e métodos que permitem aprendizado contínuo e adaptação a partir de dados, interações e experiências. Esta revisão oferece a primeira análise sistemática e abrangente de agentes auto-evolutivos, organizada em torno de três dimensões fundamentais — o que evoluir, quando evoluir e como evoluir. Examinamos mecanismos evolutivos em componentes de agentes (por exemplo, modelos, memória, ferramentas, arquitetura), categorizamos métodos de adaptação por estágios (por exemplo, intra-tempo de teste, inter-tempo de teste) e analisamos os designs algorítmicos e arquitetônicos que orientam a adaptação evolutiva (por exemplo, recompensas escalares, feedback textual, sistemas de agente único e multiagente). Além disso, analisamos métricas de avaliação e benchmarks específicos para agentes auto-evolutivos, destacamos aplicações em domínios como programação, educação e saúde, e identificamos desafios críticos e direções de pesquisa em segurança, escalabilidade e dinâmicas co-evolutivas. Ao fornecer uma estrutura estruturada para compreender e projetar agentes auto-evolutivos, esta revisão estabelece um roteiro para avançar sistemas agentes adaptativos tanto na pesquisa quanto em implantações do mundo real, iluminando o caminho para a realização da Inteligência Super Artificial (ASI), onde agentes evoluem autonomamente, desempenhando tarefas em ou além do nível de inteligência humana em uma ampla gama de atividades.

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.