💬 NLP

SEW: Self-Evolving Agentic Workflows for Automated Code Generation

El paper presenta SEW, un marco autoevolutivo que genera y optimiza automáticamente flujos de trabajo de agentes múltiples para la generación de código, logrando mejoras significativas en benchmarks como LiveCodeBench al eliminar la necesidad de diseños manuales.

Autores originales: Siwei Liu, Jinyuan Fang, Han Zhou, Yingxu Wang, Zaiqiao Meng

Publicado 2026-04-15

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Siwei Liu, Jinyuan Fang, Han Zhou, Yingxu Wang, Zaiqiao Meng

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que quieres construir una casa muy compleja. En el pasado, le pedías a un solo albañil (un modelo de inteligencia artificial) que hiciera todo: diseñara los planos, cortara los ladrillos, pintara las paredes y revisara que todo estuviera bien. A veces lo hacía bien, pero si la casa era muy difícil, el albañil se confundía o cometía errores.

Para solucionar esto, los investigadores crearon un "equipo de albañiles" (un sistema de múltiples agentes). Pero aquí había un problema: alguien tenía que diseñar manualmente cómo se organizaba ese equipo. ¿Quién hace qué? ¿Quién revisa a quién? ¿En qué orden trabajan? Si el equipo estaba mal organizado, no importaba cuán buenos fueran los albañiles, la casa saldría mal.

Aquí es donde entra la SEW (Flujo de Trabajo Autoevolutivo), el protagonista de este paper.

🌱 La Gran Idea: El Equipo que se Entrena Solo

Imagina que en lugar de un jefe humano diseñando el equipo, tienes un entrenador mágico que observa cómo trabajan los albañiles. Si el equipo falla, el entrenador no solo les grita "¡hagan mejor su trabajo!", sino que reorganiza todo el equipo y les da nuevas instrucciones automáticamente.

La SEW hace exactamente eso con la programación de computadoras:

Empieza de cero: Crea un equipo básico de "agentes" (programas de IA) para resolver un problema de código.
Se observa a sí misma: Prueba el equipo. Si falla, el sistema dice: "¡Alto! Algo no funciona".
Evoluciona (Cambia y Mejora):
- Cambia la estructura: Quizás el equipo necesita un inspector de calidad antes del pintor, o quizás necesita dos diseñadores en lugar de uno. La SEW reorganiza el flujo de trabajo automáticamente.
- Mejora las instrucciones: Le da a cada agente un "guion" o "prompt" mucho más claro y creativo. En lugar de decirle al agente "Escribe código", le dice: "Eres un mago de Python, tu misión es crear una obra maestra que nunca falle, y aquí tienes un truco especial para lograrlo".

🎨 El Lenguaje de los Planos: ¿Cómo le hablamos al equipo?

Para que el entrenador (la IA) pueda reorganizar al equipo, necesita un lenguaje para describir cómo deben trabajar. Los autores probaron 5 formas diferentes de escribir estos "planos":

BPMN: Como un diagrama de flujo de negocios (cajas y flechas). Es muy ordenado, pero a veces rígido.
Python: Escribir el plan como si fuera código de programación real.
YAML: Como una lista de la compra muy organizada.
Pseudo-código: Como escribir instrucciones en un lenguaje humano pero con estructura de código.
CoRE (El Ganador): ¡Este fue el mejor! Imagina que CoRE es como un idioma universal que mezcla lo mejor de los humanos (lenguaje natural) con lo mejor de las máquinas (código). Es como si el entrenador pudiera entender tanto un dibujo a mano alzada como un plano arquitectónico digital al mismo tiempo. Gracias a esto, el equipo se organizó mucho mejor.

🏆 Los Resultados: ¿Funciona de verdad?

Los investigadores probaron este sistema en tres "carreras" de programación muy difíciles (llamadas benchmarks).

El resultado: El sistema SEW, que se reorganiza y se entrena solo, superó a los mejores equipos diseñados por humanos y a los modelos de IA más potentes por sí solos.
La mejora: En la prueba más difícil (LiveCodeBench), el sistema mejoró sus resultados en un 12%. Eso es como si un corredor que antes hacía la maratón en 4 horas, de repente empezara a hacerla en 3 horas y 30 minutos, ¡solo porque aprendió a correr mejor!

💡 La Analogía Final: El Chef que se Autocorrige

Piensa en un chef que intenta cocinar un banquete complejo.

Método antiguo: El chef sigue una receta escrita por un humano. Si la receta está mal, el plato sale mal.
Método SEW: El chef tiene un asistente que prueba el plato. Si sabe salado, el asistente no solo le dice "menos sal", sino que reorganiza la cocina (pone el salero en otro lugar) y reescribe la receta con instrucciones más precisas para el siguiente intento. Además, el asistente prueba diferentes formas de escribir la receta (en español, en código, en dibujos) para ver cuál entiende mejor el chef.

En Resumen

La SEW es un sistema inteligente que diseña sus propias herramientas de trabajo. Ya no necesitamos humanos diseñando manualmente cómo deben trabajar las IAs para programar. La IA ahora puede decirse a sí misma: "Creo que este equipo no funciona, voy a cambiar quién hace qué y voy a darle mejores instrucciones", y así, evolucionar hacia soluciones de código cada vez mejores.

Es un paso gigante hacia una inteligencia artificial que no solo sigue órdenes, sino que aprende a organizarse sola para resolver problemas difíciles.

Resumen Técnico: SEW (Self-Evolving Agentic Workflows)

1. El Problema

Aunque los Modelos de Lenguaje Grandes (LLM) han demostrado ser efectivos en tareas de generación de código, enfrentan limitaciones significativas cuando se les asignan problemas de codificación complejos.

Dependencia de Diseños Manuales: Las soluciones actuales basadas en sistemas multi-agente dependen en gran medida de flujos de trabajo (workflows) diseñados manualmente. Tanto la topología del flujo (cómo se conectan los agentes) como los prompts (instrucciones) de cada agente son creados por humanos.
Falta de Adaptabilidad: Estos flujos manuales son rígidos y no se adaptan automáticamente a diferentes tipos de problemas de codificación. Un flujo optimizado para aprendizaje automático puede no ser efectivo para desarrollo de software general.
Ineficiencia: La creación manual de flujos para cada tarea es ineficiente y no aprovecha el potencial completo de los LLM para la adaptación autónoma.

2. Metodología: SEW

Los autores proponen SEW (Self-Evolving Workflow), un marco novedoso diseñado para generar y optimizar automáticamente flujos de trabajo multi-agente mediante un esquema evolutivo. El sistema no requiere datos de entrenamiento, sino que utiliza a los propios LLM como operadores de mutación.

El marco de SEW consta de tres módulos principales (ilustrados en la Figura 2 del artículo):

A. Generación de Flujos de Trabajo (Workflow Generation):
- A partir de una descripción de la tarea, un LLM genera un flujo de trabajo inicial utilizando una de varias esquemas de representación textual.
- Se exploran cinco esquemas de representación: BPMN (Notación de Modelado de Procesos de Negocio), CoRE (Representación y Ejecución de Código), Python, YAML y Pseudocódigo.
B. Evolución del Flujo de Trabajo (Workflow Evolution):
- Se utiliza un Operador de Evolución Directa (DE) para reconstruir y modificar la estructura del flujo inicial.
- El LLM recibe el flujo actual y un prompt de mutación ( $T_{mut}$ ) para generar una nueva versión ( $W'$ ).
- Se evalúa la validez de los nuevos flujos mediante dos métricas:
  - Tasa de Éxito Lógico (LSR): Probabilidad de que el flujo generado sea sintácticamente válido según el esquema.
  - Tasa de Éxito de Generación (GSR): Probabilidad de que la ejecución del flujo produzca código Python ejecutable.
C. Evolución de Agentes (Agent Evolution):
- Una vez definida la estructura del flujo, se optimizan los prompts individuales de cada agente dentro del flujo.
- Se emplean dos estrategias de evolución de agentes:
  1. Evolución Directa (DE): Aplica directamente un prompt de mutación al prompt del agente. Puede ser de primer orden (una mutación) o segundo orden (mutación sobre mutación).
  2. Evolución Hiper (HE): Primero modifica el prompt de mutación en sí mismo (usando heurísticas cognitivas o prompts de hiper-mutación) y luego aplica este nuevo prompt mutado al agente. Esto busca generar instrucciones de mutación más efectivas.

3. Contribuciones Clave

Investigación de Esquemas de Representación: Comparan sistemáticamente cinco formatos (BPMN, CoRE, Python, YAML, Pseudocódigo) para determinar cuál es el más efectivo para que los LLM interpreten y optimicen flujos de trabajo.
Construcción desde Cero: A diferencia de trabajos previos que ensamblan operadores predefinidos, SEW construye flujos de trabajo completos desde cero condicionados únicamente a la descripción de la tarea.
Mecanismo de Auto-Evolución: Introducen un enfoque donde los LLM mejoran conjuntamente tanto la estructura del flujo como los prompts de los agentes, eliminando la necesidad de diseño manual.
Validación Empírica Extensiva: Demuestran la eficacia del método en tres conjuntos de datos de referencia (MBPP, HumanEval+, LiveCodeBench).

4. Resultados Experimentales

Los experimentos se realizaron utilizando modelos base como Claude Opus 4.6 y GPT-5.3 (en el contexto del artículo, modelos hipotéticos o futuros, aunque se usan como referencia de estado del arte).

Rendimiento General: SEW supera consistentemente a los modelos base de un solo agente y a otras técnicas de prompting avanzadas (como Chain-of-Thought, PromptBreeder, ADAS y AFlow).
- En el conjunto de datos LiveCodeBench (considerado muy desafiante), SEW logró una mejora de hasta un 12% en comparación con el uso del LLM base únicamente.
- En HumanEval+ y MBPP, también se observaron mejoras significativas en las métricas pass@1, pass@5 y pass@10.
Análisis de Representación (RQ1):
- CoRE resultó ser el esquema de representación más efectivo, logrando el mejor equilibrio entre la Tasa de Éxito Lógico (LSR) y la Tasa de Éxito de Generación (GSR). Aunque BPMN tenía una LSR alta, su GSR fue inferior a la de CoRE.
Impacto de los Módulos (RQ2):
- La evolución del flujo de trabajo por sí sola mejora el rendimiento respecto al modelo base.
- La co-evolución (flujo + agente) aporta la mayor mejora, demostrando que optimizar los prompts de los agentes sobre una estructura de flujo evolucionada es crucial.
Estrategias de Evolución (RQ3):
- La Evolución Hiper (HE) mostró menor varianza y mayor robustez frente a diferentes tareas.
- La Evolución Directa (DE), especialmente de segundo orden, tendió a alcanzar picos de rendimiento más altos en métricas específicas, aunque con mayor variabilidad.

5. Significado e Implicaciones

Automatización del Diseño de Agentes: SEW representa un paso importante hacia la autonomía en la ingeniería de sistemas de agentes, reduciendo la dependencia de la ingeniería de prompts manual y el diseño de topologías.
Adaptabilidad Dinámica: El marco demuestra que los sistemas de agentes pueden adaptarse dinámicamente a la complejidad de la tarea, mejorando su rendimiento a través de la iteración evolutiva.
Optimización de Recursos: Aunque el costo de tokens es mayor que el de un agente único (debido a la ejecución de múltiples agentes y rondas de evolución), la mejora en la calidad del código generado y la tasa de éxito justifican el costo en tareas complejas.
Limitaciones: El artículo reconoce que la generalización a tareas no relacionadas con código (como razonamiento puro) aún es desconocida y que la ejecución de flujos generados a veces falla a pesar de ser lógicamente válidos, lo que sugiere la necesidad de mecanismos de validación más robustos.

En conclusión, SEW establece un nuevo paradigma en la generación de código asistida por IA, donde la estructura del sistema y las instrucciones de los agentes se optimizan mutuamente de forma automática, logrando resultados superiores a las metodologías estáticas actuales.