AI-agenter bliver i stigende grad selv-evolverende systemer, der ikke bare reagerer på input, men som vedvarer over tid, husker, bruger værktøjer, tilegner sig færdigheder og koordinerer med andre agenter. Det betyder, at deres tilstand bliver strukturel og dynamisk: entiteter, relationer, attributter og afhængigheder ændrer sig med ny information og feedback. En ny survey fra arXiv foreslår at forstå denne udvikling som en transformation af et dynamisk graf-netværk, hvor agentens hukommelse, værktøjer, færdigheder og relationer repræsenteres som knuder og kanter, der opdateres gennem regelbaserede omskrivninger.
Forfatterne bag surveyen, der er offentliggjort på arXiv, argumenterer for, at eksisterende forskning typisk behandler grafer som statiske støttestrukturer for agenter, mens forskning i selv-evolverende agenter fokuserer på agent-mekanismer og sjældent diskuterer, hvordan graf-topologien selv udvikler sig. Denne kobling er dog afgørende, fordi agentens tilstand og grafens struktur er tæt forbundet. Surveyen organiserer eksisterende metoder i fire taksonomier: node/feature-evolution, edge/topologi-evolution, subgraf-aktivering og tværkomponent co-evolution. Den foreslår desuden at bruge dynamisk graf-læring som genanvendelig infrastruktur for selv-evolverende agenter og kortlægger ni delområder inden for dynamisk graf-læring til agent-evolutionsevner, inklusive deres tilpasninger og mulige fejltilstande.
For beslutningstagere er det vigtigste perspektiv dog de fem typer af graf-bevidst evaluering og governance-protokoller, som surveyen diskuterer. Disse protokoller supplerer traditionel end-to-end-evaluering og kan blive nødvendige, når agenter ændrer sig over tid. Hvis agenter selv ændrer deres struktur og relationer, bliver det sværere at forudsige deres adfærd og sikre, at de handler i overensstemmelse med organisationens mål og regler. Det rejser spørgsmål om, hvordan man overvåger, reviderer og styrer sådanne systemer, især i forretningskritiske anvendelser.
Surveyen giver et strukturelt perspektiv, der kan hjælpe med at designe og styre selv-evolverende agenter, men den er stadig et akademisk bidrag, ikke en færdig løsning. For virksomheder, der overvejer at implementere selv-evolverende agenter, er det værd at følge med i denne forskning, da den kan danne grundlag for fremtidige værktøjer og standarder for evaluering og governance.
