A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems
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
大语言模型(LLM)的最新进展引发了人们对能够解决复杂现实任务AI智能体的日益关注。然而，现有大多数智能体系统依赖于人工设计的静态配置，限制了其适应动态演化环境的能力。为此，近期研究探索了基于交互数据和环境反馈自动增强智能体系统的进化技术。这一新兴方向为自进化AI智能体奠定了基础，它在基础模型的静态能力与终身智能体系统所需的持续适应性之间架起了桥梁。本综述系统回顾了现有自进化智能体系统的技术。具体而言，我们首先提出了统一概念框架，抽象出自进化智能体系统设计背后的反馈循环。该框架强调四个关键组件：系统输入、智能体系统、环境和优化器，为理解和比较不同策略奠定了基础。基于此框架，我们系统性地回顾了针对智能体系统不同组件的各类自进化技术。我们还研究了为生物医学、编程和金融等专业领域开发的特定领域进化策略，其中优化目标与领域约束紧密耦合。此外，我们专门讨论了自进化智能体系统的评估、安全性和伦理考量，这对确保其有效性和可靠性至关重要。本综述旨在为研究人员和实践者提供对自进化AI智能体的系统性理解，为开发更具适应性、自主性和终身性的智能体系统奠定基础。
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 d...