Este documento aborda el problema fundamental de la selección de semillas en el agrupamiento semi-supervisado, donde la calidad de las semillas iniciales tiene un impacto significativo en el rendimiento y la estabilidad del agrupamiento. Los métodos existentes a menudo dependen de semillas seleccionadas de manera aleatoria o heurística, lo que puede propagar errores y aumentar la dependencia del etiquetado por expertos. Para superar estas limitaciones, proponemos FA-Seed, un modelo flexible y adaptativo que integra consultas activas con adaptación auto-guiada dentro del marco de hipercajas difusas. FA-Seed particiona los datos en hipercajas, evalúa la fiabilidad de las semillas a través de medidas de pertenencia y densidad de asociación, y propaga etiquetas con énfasis en la pureza de las etiquetas. El modelo demuestra una fuerte adaptabilidad a distribuciones de datos complejas y ambiguas en las que los límites de los clústeres son vagos o se superponen. Las principales contribuciones de FA-Seed incluyen: (1) estimación y selección automática de semillas candidatas que proporcionan supervisión auxiliar, (2) expansión dinámica de clústeres sin reentrenamiento, (3) detección e identificación automática de regiones estructuralmente complejas basadas en características de clústeres, y (4) la capacidad de capturar estructuras intrínsecas de clústeres incluso cuando los clústeres varían en densidad y forma. Evaluaciones empíricas en conjuntos de datos de referencia, específicamente las colecciones UCI y de Ciencias de la Computación, muestran que nuestro enfoque supera consistentemente a varios métodos de agrupamiento semi-supervisado de vanguardia.