🤖 AI

Harnessing Agentic Evolution

Het artikel introduceert AEvo, een meta-bewerkingskader dat agente evolutie behandelt als een interactieve omgeving waarin een meta-agent de evolutieprocedure zelf bewerkt op basis van geaccumuleerde context, waardoor rigide en flexibele benaderingen worden verenigd om state-of-the-art prestaties te bereiken in zoek- en optimalisatietaken met een lange horizon.

Oorspronkelijke auteurs: Jiayi Zhang, Yongfeng Gu, Jianhao Ruan, Maojia Song, Yiran Peng, Zhiguang Han, Jinyu Xiang, Zhitao Wang, Caiyin Yang, Yixi Ouyang, Bang Liu, Chenglin Wu, Yuyu Luo

Gepubliceerd 2026-05-14

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Jiayi Zhang, Yongfeng Gu, Jianhao Ruan, Maojia Song, Yiran Peng, Zhiguang Han, Jinyu Xiang, Zhitao Wang, Caiyin Yang, Yixi Ouyang, Bang Liu, Chenglin Wu, Yuyu Luo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een zeer moeilijk raadsel op te lossen, zoals het vinden van de perfecte manier om cirkels in een vierkant te packen of het schrijven van een computerprogramma dat ongelooflijk snel draait. Je hebt een slimme assistent (een AI-agent) om je te helpen.

De Oude Weg: Twee Gebrekkige Benaderingen

Voor dit artikel waren er twee hoofdwijzen waarop mensen AI gebruikten om deze problemen keer op keer op te lossen:

De Starre Robot: Je geeft de AI een strikt, onveranderlijk regelboek. "Probeer dit, controleer de score, als het slecht is, probeer dat." Het is betrouwbaar, maar als het regelboek vastloopt in een lus, blijft de robot voor altijd hetzelfde nutteloze ding doen. Het kan niet leren van zijn fouten om te veranderen hoe het werkt.
De Vrij Loopende Genie: Je geeft de AI een algemeen doel en laat het de rest uitvogelen. Het is zeer flexibel en creatief. Maar terwijl het duizenden dingen probeert, raakt het in de war. Het kan vergeten wat werkte, afgeleid raken door een slecht idee, of te vroeg opgeven omdat het denkt dat het klaar is. Het heeft te veel vrijheid en te weinig structuur.

Beide methoden verzamelen een enorme hoeveelheid data: mislukte pogingen, succesverhalen en notities. Maar ze missen een manier om al die data te bekijken en te zeggen: "Hé, de manier waarop we dit doen is kapot. Laten we de regels veranderen."

De Nieuwe Weg: AEVO (Het "Coach"-Systeem)

De auteurs introduceren AEVO (Agentic Evolution). Ze behandelen het hele probleemoplossingsproces niet als een taak voor de AI, maar als een videospel-niveau dat een "Meta-Agent" (een Coach) speelt.

Zo werkt het met een eenvoudige analogie:

De Speler (De Evolutie-Agent): Dit is de AI die probeert het raadsel op te lossen. Het genereert kandidaten (oplossingen), krijgt een cijfer en probeert het opnieuw.
Het Speelveld (De Omgeving): Hier wordt de volledige geschiedenis van het spel opgeslagen – de mislukte pogingen, de scores, de notities en de huidige staat. Het is als een scorebord en een herhalingstape gecombineerd.
De Coach (De Meta-Agent): Dit is de speciale AI in AEVO. In plaats van dat de Coach zelf het raadsel probeert op te lossen, kijkt het naar de Speler.
- De Twist: De Coach zegt niet zomaar "Probeer harder". In plaats daarvan bewerkt het het regelboek of verandert het het trainingshandboek van de Speler.
- Als de Speler blijft falen omdat het naar het verkeerde deel van het raadsel kijkt, herschrijft de Coach de instructies om de Speler te vertellen ergens anders te kijken.
- Als de Speler tijd verspillen, verandert de Coach de strategie om zich te richten op wat werkt.

De "Harnas": Het Veiligheidsnet

Het artikel benadrukt een "geharnde" ontwerpstijl. Stel je voor dat de Speler een wild paard is. De Harnas is de stal en de teugels.

Het beschermt de "Rechter" (de evaluator) zodat de Speler niet kan valsspelen of de score kan bedriegen.
Het houdt een perfect, georganiseerd verslag van elke enkele poging bij, zodat de Coach het grote plaatje kan zien.
Het zorgt ervoor dat wanneer de Coach de regels verandert, de wijzigingen veilig en duidelijk worden toegepast.

Wat Gebeurde Er Toen Ze Het Probeerden?

De onderzoekers testten dit systeem op drie soorten uitdagingen:

Standaard Logische Raadsels: (Zoals ARC-AGI-2).
Terminal Taken: (Zoals het repareren van computercode in een commandoregel).
Open-ended Optimalisatie: (Zoals het maken van een computerprogramma dat zo snel mogelijk draait).

De Resultaten:

Betere Scores: AEVO versloeg vijf andere topmethodes. Bij de standaard logische tests verbeterde het de prestaties met 26% ten opzichte van de beste bestaande methode.
Snellere Optimalisatie: Bij de open-ended taken vond het betere oplossingen dan andere methoden, zelfs wanneer het dezelfde hoeveelheid tijd en geld (rekenkracht) kreeg.
Plateaus Doorbreken: Wanneer andere methoden vastliepen (een "plateau" bereikten waar ze niet verder konden verbeteren), zou de Coach van AEVO ingrijpen, beseffen dat de huidige strategie faalde, en de strategie herschrijven om door de muur te breken.

Samenvattend

Denk aan AEVO als een systeem waarbij je niet gewoon een werknemer huurt om een baan te doen; je huurt een Coach die de werknemer observeert, de spelopname bekijkt en vervolgens het functieprofiel van de werknemer herschrijft om hen beter te maken. Het verandert het rommelige proces van trial-and-error in een gestructureerde leerlus waarbij de methode van zoeken slimmer wordt, niet alleen de antwoorden.

Technische Samenvatting: Het Benutten van Agente Evolutie (AEVO)

Probleemformulering

Agente evolutie herformuleert probleemoplossing op basis van Large Language Models (LLM) als een iteratief proces van het genereren van kandidaten, het evalueren daarvan en het gebruik van feedback om toekomstig zoeken te sturen. Bestaande methoden realiseren dit paradigma doorgaans op twee manieren, die beide beperkingen ondervinden bij zoeken op lange termijn:

Procedure-gebaseerde evolutie: Verlaat zich op vaste, handontworpen buitenste lussen (bijv. selectie, optimalisatie, update-regels). Hoewel deze methoden modulair en reproduceerbaar zijn, zijn ze star; ze koppelen zoeken op lange termijn aan statische heuristieken die mogelijk herhaaldelijk dezelfde patronen uitbuiten of falen om zich aan te passen aan nieuw bewijs.
Agent-gebaseerde evolutie: Gebruikt algemene agenten om het zoekproces dynamisch te beheren. Hoewel deze flexibel zijn, lijden deze agenten vaak aan "drift" naarmate de context groeit. Ze kunnen zich overmatig vastklampen aan misleidende bewijzen, verouderde aannames of lokale optima, omdat ze geen stabiele interface hebben om de opgehoopte geschiedenis te organiseren en hun eigen werkingsmechanismen te herzien.

De kernuitdaging die wordt geïdentificeerd, is dat hoewel evolutie in de loop van de tijd rijk bewijs verzamelt (kandidaten, feedback, sporen, fouten, kosten), bestaande kaders ontbreken aan een unificerende, stabiele interface om dit bewijs te organiseren en, cruciaal, het mechanisme dat toekomstige evolutie drijft, te herzien.

Methodologie: AEVO-kader

De auteurs introduceren AEVO, een "gebruikt meta-bewerkingskader" dat deze beperkingen aanpakt door agente evolutie te formuleren als een interactieve omgeving.

Kernconcept: Evolutie als Omgeving

In plaats van evolutie te zien als een lineaire reeks kandidaatgeneraties, behandelt AEVO het proces als een omgeving waarin:

Toestand ( $s_r$ ): De opgehoopte evolutiecontext ( $C_r$ ), inclusief alle kandidaten, evaluatieresultaten, sporen, fouten en kosten.
Overgangsmechanisme ( $\Pi_r$ ): De huidige procedure of agentcontext die bepaalt hoe de volgende ronde kandidaten wordt gegenereerd.
Meta-agent ( $M$ ): Een externe agent die een samenvatting van de toestand ( $o_r$ ) observeert en niet optreedt door direct de volgende kandidaat te genereren, maar door het overgangsmechanisme te bewerken ( $\Pi_r$ ).

De Gebruikte Lus

AEVO werkt via een twee-fasenlus:

Meta-bewerkingsfase: De meta-agent inspecteert de opgehoopte geschiedenis en werkruimte. Het produceert een meta-actie bestaande uit:
- Werkruimte-bewerkingen: Het wijzigen van bestanden die het mechanisme definiëren (bijv. procedurecode, prompts, vaardigheden, hulpmiddelen, feedbackformaten of uitvoeringscontext).
- Uitvoeringsplan: Het specificeren hoe het volgende segment moet worden uitgevoerd (iteratiebudget, stopcondities).
Evolutiesegment: Het bijgewerkte mechanisme ( $\Pi_{r+1}$ ) voert uit onder het nieuwe plan en genereert meerdere kandidaten. Deze kandidaten passeren een beschermde evaluator die geïsoleerd is van de agenten om beloningshacking te voorkomen. Resultaten worden opgenomen in een doorzoekbare geschiedenis.

Instantiatie

AEVO verenigt twee vormen van evolutie onder dit ene kader:

Procedure-gebaseerde instantiatie: De meta-agent bewerkt expliciete procedurecomponenten (bijv. selectiestrategieën, optimalisatie-operatoren, feedbacksamenvattingen).
Agent-gebaseerde instantiatie: De meta-agent bewerkt de werkcontext van een algemene agent (bijv. doelen, vaardigheden, geheugenbestanden, gedeelde notities, hulpmiddeldefinities).

Een cruciaal ontwerpelement is de gebruik, die een stabiele grens biedt. Het beschermt de evaluator, registreert gestructureerd bewijs en zorgt ervoor dat de meta-agent het proces kan observeren en bewerken zonder de integriteit van de evaluatie of de lus voor kandidaatgeneratie te compromitteren.

Belangrijkste Bijdragen

Omgevingsformulering: Het artikel stelt een nieuwe formulering van agente evolutie voor als een interactieve omgeving waarbij de toestand de opgehoopte context is en acties bewerkingen zijn aan het zoekmechanisme zelf, in plaats van directe kandidaatgeneratie.
Gebruikt Meta-bewerken (AEVO): Een kader dat de evolutiewerkruimte standaardiseert, de evaluator beschermt en grove ingrepen mogelijk maakt. Het stelt een meta-agent in staat om zowel starre procedures als flexibele agenten te sturen door hun onderliggende logica of context te wijzigen.
Cross-vorm instantiatie en evaluatie: Het kader is succesvol geïnstancierd voor zowel procedure-gebaseerde als agent-gebaseerde evolutie, wat aantoont dat dezelfde meta-bewerkingslus expliciete zoekprocedures of agentwerkcontexten kan herzien.

Experimentele Resultaten

De auteurs hebben AEVO geëvalueerd op twee standaard benchmarks (Terminal-Bench, ARC-AGI-2) en drie open-eind optimalisatietaken (Circle Packing, Autocorrelatie, Kernel-optimalisatie).

Benchmarkprestaties: Op standaard agente- en redeneerbenchmarks overtrof AEVO vijf evolutiebaselines (waaronder ADAS, DGM, AFlow, SPO, GEPA) en een single-agent ReAct-baseline. Het behaalde een relatieve verbetering van 26% ten opzichte van de sterkste baseline gemiddeld.
Open-eind optimalisatie: AEVO overtrof vier baselines (Codex, Claude Code, OpenEvolve, HyperAgents) op drie open-eind taken. Opmerkelijk is dat AEVO op de Kernel-optimalisatietaken 1138 cycli behaalde binnen 100 iteraties, wat volgens de auteurs het beste gerapporteerde resultaat is onder hetzelfde iteratiebudget.
Efficiëntie en stabiliteit: AEVO toonde het vermogen om verder te schalen dan vroege winsten. Waar directe coderingsagenten vaak vroeg stoppen wanneer lokale verbeteringen stagneren, behield AEVO consistente vooruitgang door het volledige evolutiebudget te benutten. Het kader toonde ook aan dat agent-gebaseerde evolutie kostenconcurrerend kan blijven wanneer het wordt beheerd via een gebruik met prompt-caching en persistente contexten.

Betekenis en Claims

Het artikel beweert dat evolutie op lange termijn niet alleen profiteert van sterkere kandidaatgeneratoren, maar significant van ingrepen op mechanismeniveau. Door het evolutieproces te behandelen als een bewerkbare omgeving, stelt AEVO systemen in staat om lokale optima te ontvluchten en hun zoekstrategieën aan te passen op basis van opgehoopt bewijs.

De auteurs benadrukken dat hun aanpak een verenigd perspectief biedt op agente evolutie. Of de onderliggende zoektocht nu wordt gedreven door een vaste procedure of een algemene agent, de accumulatie van bewijs kan worden benut om het mechanisme dat die zoektocht drijft, te herzien. Deze "gebruikte" aanpak zorgt ervoor dat evolutie waarneembaar, bewerkbaar en afgestemd blijft op het ware doel, waardoor de drift en beloningshacking die vaak worden gezien bij ongestructureerde agent-gebaseerde evolutie worden voorkomen.

Het werk suggereert dat toekomstige vooruitgang in agente systemen voor wetenschappelijke ontdekking, software-engineering en autonome code-optimalisatie zal vertrouwen op dergelijke kaders die systematisch bewijs kunnen organiseren en de zoekmechanismen zelf kunnen herzien, in plaats van alleen meer kandidaten te genereren.