Why do some AI agent systems get better over time — while others just get more complex?
Martin Nowak answered this question for biology 20 years ago. The math already exists. We explored how it maps to AI agents.
Warum werden manche KI-Agent-Systeme mit der Zeit besser — während andere nur komplexer werden?
Martin Nowak hat diese Frage für die Biologie vor 20 Jahren beantwortet. Die Mathematik existiert bereits. Wir untersuchen, wie sie sich auf KI-Agents übertragen lässt.
Try It: The Phase Transition
Nowak's Originator Equation describes when a system transitions from random diversity (Prelife) to directed evolution (Life).
Ausprobieren: Der Phasenübergang
Nowaks Originator-Gleichung beschreibt, wann ein System von zufälliger Diversität (Prelife) zu gerichteter Evolution (Life) übergeht.
ℹ How to read this chartℹ So liest du die Grafik
- 80 bars = 80 molecular sequences competing in a chemical soup
- Bar height = frequency (share of the population)
- Bar color: ■ amber = Prelife dominates · ■ green = Selection dominates · brighter = fitter
- Slider r = replication rate — how much template-directed copying happens
- 80 Balken = 80 molekulare Sequenzen, die in einer chemischen Suppe konkurrieren
- Balkenhöhe = Häufigkeit (Anteil an der Population)
- Balkenfarbe: ■ amber = Prelife dominiert · ■ grün = Selektion dominiert · heller = fitter
- Regler r = Replikationsrate — wie viel template-gesteuerte Kopierung stattfindet
ẋᵢ = aᵢ · xᵢ' − (d + aᵢ₀ + aᵢ₁) · xᵢ + r · xᵢ · (fᵢ − φ) 🔬 Why Current Agent Systems Are in the Prelife Phase
Following Nowak’s terminology, most agent systems today — including AgentField — are in the “Prelife” phase:
- ✅ Diversity exists (~30 skills)
- ✅ Selection exists (Quality Gate)
- ❌ Replication is missing — no automatic inheritance of successful patterns
This is not a problem. Prelife is already generative. But the step to “Life” mode is missing: the closed evolutionary loop.
IS: Task → Skill Selection → Execution → [Quality Gate] → Output
↓
(Feedback dies here)
SHOULD: Task → Skill Selection → Execution → [Quality Gate] → Output
↑ ↓
└──── Skill Mutation ←── Evaluation + Cost ──┘
What would close the loop:
- Cost tracking as a second optimization axis
- Skill performance history — which skill → which task → which score
- Automated prompt mutation — small variations, A/B testing
- Niching — multiple skill variants per task type, preserving diversity
EvoFlow shows empirically: The step from Phase 0 (manual workflows) to Phase 3 (evolved population) yields 1.23–29.86% improvement at 12.4% of the cost. This is not a hypothetical gain.
Identified: 2026-03-19, during EvoFlow/MCE/AgentFactory Deep Dive
🔬 Warum aktuelle Agent-Systeme in der Prelife-Phase sind
Nach Nowaks Terminologie befinden sich die meisten Agent-Systeme heute — einschließlich AgentField — in der “Prelife”-Phase:
- ✅ Diversität vorhanden (~30 Skills)
- ✅ Selektion vorhanden (Quality-Gate)
- ❌ Replikation fehlt — keine automatische Vererbung erfolgreicher Muster
Das ist nicht schlimm. Prelife ist bereits generativ. Aber es fehlt der Schritt zum “Life”-Modus: der geschlossene evolutionäre Loop.
IST: Task → Skill-Auswahl → Execution → [Quality-Gate] → Output
↓
(Feedback stirbt hier)
SOLL: Task → Skill-Auswahl → Execution → [Quality-Gate] → Output
↑ ↓
└──── Skill-Mutation ←── Evaluation + Cost ──┘
Was den Loop schließen würde:
- Cost-Tracking als zweite Optimierungsachse
- Skill-Performance-Historie — welcher Skill → welcher Task → welcher Score
- Automatisierte Prompt-Mutation — kleine Variationen, A/B-Test
- Niching — mehrere Skill-Varianten pro Task-Typ, Diversität erhalten
EvoFlow zeigt empirisch: Der Schritt von Phase 0 (manuelle Workflows) zu Phase 3 (evolvierte Population) bringt 1,23–29,86% Verbesserung bei 12,4% der Kosten. Das ist kein hypothetischer Gewinn.
Erkannt: 2026-03-19, während EvoFlow/MCE/AgentFactory Deep Dive
The Bridge: Biology → AI Agents
The same dynamics that govern biological evolution map structurally onto AI agent systems:
Die Brücke: Biologie → KI-Agents
Dieselben Dynamiken, die biologische Evolution bestimmen, lassen sich strukturell auf KI-Agent-Systeme übertragen:
Biology (Nowak)Biologie (Nowak)
AI Agent SystemKI-Agent-System
This is a structural analogy, not a formal proof. Agent evolution is Lamarckian, not Darwinian. We document 9 counter-arguments — 3 rated STRONG.
Dies ist eine strukturelle Analogie, kein formaler Beweis. Agent-Evolution ist lamarckisch, nicht darwinistisch. Wir dokumentieren 9 Gegenargumente — 3 als STARK bewertet.
The Upgrade Path
Where is your agent system on the evolutionary ladder?
Der Upgrade-Pfad
Wo steht dein Agent-System auf der evolutionären Leiter?
Prelife ← Most systems are here
Manual curation. You write prompts, pick tools, evaluate by hand. There's diversity, but no heredity — good patterns don't automatically persist.
Feedback Loop ← Spec ready
Measure quality + cost per skill execution. SQL schema, Pareto views, alert triggers. You can see what works — but changes are still manual.
Mutation
A/B test prompt variations automatically. Keep winners, discard losers. The system starts improving itself.
Population
Maintain diverse skill variants via niching. Quality-Diversity optimization instead of single-best-solution thinking.
Full Evolution
The phase transition: autonomous improvement faster than manual curation. EvoFlow shows this is already possible — at 12.4% the cost of o1-preview.
Prelife ← Die meisten Systeme sind hier
Manuelle Kuration. Du schreibst Prompts, wählst Tools, evaluierst von Hand. Es gibt Diversität, aber keine Vererbung — gute Muster persistieren nicht automatisch.
Feedback-Loop ← Spec bereit
Qualität + Kosten pro Skill-Ausführung messen. SQL-Schema, Pareto-Views, Alert-Trigger. Du siehst was funktioniert — aber Änderungen sind noch manuell.
Mutation
Prompt-Variationen automatisch A/B-testen. Gewinner behalten, Verlierer verwerfen. Das System beginnt, sich selbst zu verbessern.
Population
Diverse Skill-Varianten via Niching pflegen. Quality-Diversity-Optimierung statt Single-Best-Solution-Denken.
Volle Evolution
Der Phasenübergang: Autonome Verbesserung schneller als manuelle Kuration. EvoFlow zeigt, dass das bereits möglich ist — bei 12,4% der Kosten von o1-preview.
Dive Deeper
📐 Nowak Synthesis
The Originator equation, phase transitions, error threshold — the full mathematical bridge.
Read →Tiefer eintauchen
📐 Nowak-Synthese
Die Originator-Gleichung, Phasenübergänge, Error Threshold — die vollständige mathematische Brücke.
Lesen →FAQ
Is this a formal proof?
No. It's a structural analogy — a design heuristic, not a mathematical proof. See 9 counter-arguments.
Were these papers actually read?
Core papers read in full text. Broader corpus based on abstracts and summaries, cross-checked against 2+ sources. See Limitations.
What can I DO with this?
Use the 7 principles as a design checklist. Implement the Phase 1 feedback loop. Read the 60+ papers.
FAQ
Ist das ein formaler Beweis?
Nein. Es ist eine strukturelle Analogie — eine Design-Heuristik, kein mathematischer Beweis. Siehe 9 Gegenargumente.
Wurden die Papers gelesen?
Kern-Papers im Volltext gelesen. Breiterer Corpus basierend auf Abstracts und Zusammenfassungen, gegen 2+ Quellen geprüft. Siehe Limitationen.
Was kann ich damit machen?
Die 7 Prinzipien als Design-Checkliste nutzen. Den Phase-1-Feedback-Loop implementieren. Die 60+ Papers lesen.
This is a research synthesis, not a systematic review. Analysis is based on abstracts, summaries, and cross-verified data from 60+ papers. Counter-arguments documented. Full limitations →
Dies ist eine Forschungssynthese, kein systematisches Review. Die Analyse basiert auf Abstracts, Zusammenfassungen und kreuzverifizierten Daten aus 60+ Papers. Gegenargumente dokumentiert. Vollständige Limitationen →