Всесторонний обзор саморазвивающихся ИИ-агентов: новая парадигма, объединяющая базовые модели и системы агентов с непрерывным обучением
A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems
August 10, 2025
Авторы: 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
Аннотация
Недавние достижения в области больших языковых моделей вызвали растущий интерес к ИИ-агентам, способным решать сложные задачи в реальном мире. Однако большинство существующих агентских систем полагаются на ручную настройку конфигураций, которые остаются статичными после развертывания, что ограничивает их способность адаптироваться к динамичным и изменяющимся условиям. В связи с этим последние исследования сосредоточены на методах эволюции агентов, направленных на автоматическое улучшение агентских систем на основе данных взаимодействия и обратной связи от среды. Это новое направление закладывает основу для самоэволюционирующих ИИ-агентов, которые объединяют статические возможности базовых моделей с непрерывной адаптивностью, необходимой для долгоживущих агентских систем. В данном обзоре мы представляем всесторонний анализ существующих методов для самоэволюционирующих агентских систем. В частности, мы сначала вводим унифицированную концептуальную структуру, которая абстрагирует цикл обратной связи, лежащий в основе проектирования таких систем. Эта структура выделяет четыре ключевых компонента: входные данные системы, агентская система, среда и оптимизаторы, что служит основой для понимания и сравнения различных стратегий. На основе этой структуры мы систематически рассматриваем широкий спектр методов самоэволюции, направленных на различные компоненты агентской системы. Мы также исследуем стратегии эволюции, разработанные для специализированных областей, таких как биомедицина, программирование и финансы, где цели оптимизации тесно связаны с ограничениями предметной области. Кроме того, мы уделяем отдельное внимание вопросам оценки, безопасности и этическим аспектам самоэволюционирующих агентских систем, которые имеют критическое значение для обеспечения их эффективности и надежности. Этот обзор призван предоставить исследователям и практикам систематическое понимание самоэволюционирующих ИИ-агентов, закладывая основу для разработки более адаптивных, автономных и долгоживущих агентских систем.
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.