그룹 진화 에이전트: 경험 공유를 통한 개방형 자기 개선

Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing

개방형 자기 개선 에이전트는 자신의 구조적 설계를 자율적으로 수정하여 능력을 향상시키고 사전 정의된 아키텍처의 한계를 극복함으로써, 인간의 개입에 대한 의존도를 줄일 수 있다. 우리는 개방형 자기 개선을 위한 새로운 패러다임인 그룹 진화 에이전트(GEA)를 소개한다. GEA는 에이전트 그룹을 기본적인 진화 단위로 취급하여, 진화 과정 전반에 걸쳐 그룹 내에서 명시적인 경험 공유와 재사용을 가능하게 한다. 트리 구조의 진화 방식을 채택하는 기존의 개방형 자가 진화 패러다임과 달리, GEA는 고립된 진화 분기로 인해 발생하는 탐색적 다양성의 비효율적 활용 문제를 극복한다. 우리는 고난이도 코딩 벤치마크에서 GEA를 평가하였으며, 그 결과 최신 자가 진화 방법들을 크게 앞서고(SWE-bench Verified에서 71.0% 대 56.7%, Polyglot에서 88.3% 대 68.3%), 최고의 인간 설계 에이전트 프레임워크와 대등하거나 이를 능가하는 성능(두 벤치마크에서 각각 71.8% 및 52.0%)을 보였다. 분석 결과, GEA는 초기 단계의 탐색적 다양성을 지속적인 장기 발전으로 더 효과적으로 전환하여, 동일한 수의 진화된 에이전트 조건하에서 더 강력한 성능을 달성하는 것으로 나타났다. 또한, GEA는 다양한 코딩 모델 전반에 걸쳐 일관된 전이성과 더 뛰어난 견고성을 보여주며, 자가 진화 방법이 평균 5회의 반복이 필요한 반면, GEA는 평균 1.4회 만에 프레임워크 수준의 버그를 수정한다.

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.