Агенты с групповой эволюцией: открытое самосовершенствование через обмен опытом
Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing
February 4, 2026
Авторы: Zhaotian Weng, Antonis Antoniades, Deepak Nathani, Zhen Zhang, Xiao Pu, Xin Eric Wang
cs.AI
Аннотация
Агенты с открытой саморазвивающейся архитектурой способны автономно модифицировать собственную структурную организацию для повышения своих возможностей и преодоления ограничений предопределённых архитектур, тем самым снижая зависимость от человеческого вмешательства. Мы представляем групповых эволюционирующих агентов (Group-Evolving Agents, GEA) — новую парадигму открытого саморазвития, в которой группа агентов рассматривается как фундаментальная эволюционная единица, обеспечивающая явное совместное использование и повторное применение опыта внутри группы на протяжении всего процесса эволюции. В отличие от существующих парадигм открытого саморазвития, использующих древовидную эволюцию, GEA преодолевает ограничение неэффективного использования исследовательского разнообразия, вызванное изолированностью эволюционных ветвей. Мы оцениваем GEA на сложных бенчмарках программирования, где метод значительно превосходит современные саморазвивающиеся методы (71,0% против 56,7% на SWE-bench Verified, 88,3% против 68,3% на Polyglot) и соответствует или превосходит лучшие созданные человеком агентские фреймворки (71,8% и 52,0% на двух бенчмарках соответственно). Анализ показывает, что GEA эффективнее преобразует исследовательское разнообразие на ранних этапах в устойчивый долгосрочный прогресс, достигая более высокой производительности при одинаковом количестве эволюционировавших агентов. Кроме того, GEA демонстрирует стабильную переносимость между различными моделями программирования и повышенную устойчивость, исправляя ошибки на уровне фреймворка в среднем за 1,4 итерации против 5 у саморазвивающихся методов.
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.