Обзор саморазвивающихся агентов: на пути к искусственному сверхразуму
A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence
July 28, 2025
Авторы: 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
Аннотация
Крупные языковые модели (LLM) продемонстрировали значительные возможности, но остаются принципиально статичными, неспособными адаптировать свои внутренние параметры к новым задачам, развивающимся областям знаний или динамическим контекстам взаимодействия. По мере того как LLM всё чаще применяются в открытых, интерактивных средах, эта статичность становится критическим ограничением, что требует создания агентов, способных адаптивно рассуждать, действовать и эволюционировать в реальном времени. Этот сдвиг парадигмы — от масштабирования статических моделей к разработке самоэволюционирующих агентов — вызвал растущий интерес к архитектурам и методам, обеспечивающим непрерывное обучение и адаптацию на основе данных, взаимодействий и опыта. Данный обзор представляет первое систематическое и всестороннее исследование самоэволюционирующих агентов, организованное вокруг трёх ключевых аспектов: что эволюционировать, когда эволюционировать и как эволюционировать. Мы рассматриваем механизмы эволюции в компонентах агентов (например, модели, память, инструменты, архитектура), классифицируем методы адаптации по этапам (например, внутри тестового времени, между тестовыми временами) и анализируем алгоритмические и архитектурные решения, направляющие эволюционную адаптацию (например, скалярные награды, текстовые обратные связи, одноагентные и многоагентные системы). Кроме того, мы анализируем метрики оценки и бенчмарки, разработанные специально для самоэволюционирующих агентов, выделяем приложения в таких областях, как программирование, образование и здравоохранение, а также определяем ключевые вызовы и направления исследований в области безопасности, масштабируемости и коэволюционной динамики. Предлагая структурированную основу для понимания и проектирования самоэволюционирующих агентов, этот обзор устанавливает дорожную карту для развития адаптивных агентных систем как в исследованиях, так и в реальных внедрениях, в конечном итоге проливая свет на путь к реализации Искусственного Суперинтеллекта (ASI), где агенты эволюционируют автономно, демонстрируя уровень интеллекта наравне с человеческим или превосходя его в широком спектре задач.
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.