AI Agent

Automating Skill Acquisition through Large-Scale Mining of Open-Source Agentic Repositories: A Framework for Multi-Agent Procedural Knowledge Extraction

通过大规模开源代理仓库挖掘实现技能自动化获取：一种多代理过程知识提取框架

Shuzhen Bi, Mengsong Wu, Hao Hao, Keqian Li, Wentao Liu, Siyu Song, Hongbo Zhao, Aimin Zhou

专题命中 多智能体 ：agent(title,abstract)；agentic(title,abstract)；multi-agent(title)；分类 cs.AI

AI总结 本文提出一种多代理过程知识提取框架，通过挖掘开源仓库获取高质量代理技能，结合安全治理和评估指标实现可扩展的知识获取，提升知识转移效率40%。

MAC: Multi-Agent Constitution Learning

MAC：多智能体宪法学习

Rushil Thareja, Gautam Gupta, Francesco Pinto, Nils Lukas

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德人工智能大学） ； Indraprastha Institute of Information Technology Delhi（德里印度教教派信息科技学院） ； Google DeepMind（谷歌DeepMind） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；agentic(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出MAC多智能体宪法学习方法，通过结构化提示优化提升LLM控制效果，实现可解释的规则集生成，优于现有提示优化方法，并在PII标注任务中表现优异。

Comments Code: https://github.com/rushil-thareja/MAC-Multi-Agent-Constitution-Learning | PyPI: https://pypi.org/project/mac-prompt/ | Website: https://www.mac-prompt.com/

COCO: Cognitive Operating System with Continuous Oversight for Multi-Agent Workflow Reliability

COCO：用于多智能体工作流程可靠性的认知操作系统 with 连续监督

Churong Liang, Jinling Gan, Kairan Hong, Qiushi Tian, Zongze Wu, Runnan Li

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；workflow(title)

AI总结 COCO通过异步自我监控和自适应错误纠正框架，解决多智能体系统中误差级联问题，提升可靠性和效率。

Loosely-Structured Software: Engineering Context, Structure, and Evolution Entropy in Runtime-Rewired Multi-Agent Systems

松散结构软件：运行时重 wiring 多智能体系统的工程上下文、结构与进化熵

Weihao Zhang, Yitong Zhou, Huanyu Qu, Hongyi Li

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； AI Chip Center for Emerging Smart Systems（新兴智能系统人工智能芯片中心） ； University of Macau（澳门大学） ； Tsinghua University（清华大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；agentic(abstract)；分类 cs.AI、cs.SE

AI总结 本文提出松散结构软件，通过运行时熵管理提升多智能体系统的可设计性、可扩展性和可进化性。

From Image Generation to Infrastructure Design: a Multi-agent Pipeline for Street Design Generation

从图像生成到基础设施设计：一种多智能体管道用于街道设计生成

Chenguang Wang, Xiang Yan, Yilong Dai, Ziyi Wang, Susu Xu

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Stony Brook University（石溪大学） ； University of Florida（佛罗里达大学） ； University of Maryland（马里兰大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 本文提出一种多智能体系统，直接在真实街道视图上编辑和重新设计自行车设施，整合车道定位、提示优化、设计生成和自动评估，生成符合情境的街道设计。

Comments 25 pages, 8 figures

Multi-Agent Reinforcement Learning Counteracts Delayed CSI in Multi-Satellite Systems

多智能体强化学习对抗多卫星系统中的延迟信道状态信息

Marios Aristodemou, Yasaman Omid, Sangarapillai Lambotharan, Mahsa Derakhshan, Lajos Hanzo

机构 * Department of Computer Science, University of York（约克大学计算机科学系） ； Wolfson School of Mechanical, Electrical and Manufacturing Engineering, Loughborough University（洛桑大学沃尔夫森机械、电气与制造工程学院） ； Institute for Digital Technologies, Loughborough University (London Campus)（洛桑大学数字技术研究所（伦敦校区）） ； School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出一种多智能体强化学习算法，用于多卫星系统中对抗延迟信道状态信息问题，通过双阶段近端策略优化方法提升用户总速率。

Comments 12 pages, 6 Figures, Submit to IEEE Transactions of Vehicular Technology. It has been reviewed once

Adaptive Theory of Mind for LLM-based Multi-Agent Coordination

自适应理论 of mind 用于基于大语言模型的多智能体协调

Chunjiang Mu, Ya Zeng, Qiaosheng Zhang, Kun Shao, Chen Chu, Hao Guo, Danyang Jia, Zhen Wang, Shuyue Hu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出自适应理论 of mind 机制，通过估计伙伴的理论 of mind 深度以提升多智能体协作效率，实验验证了该机制在多个任务中的有效性。

Comments Accepted by AAAI 2026

Discovery of interaction and diffusion kernels in particle-to-mean-field multi-agent systems

粒子到均场多智能体系统中相互作用和扩散核的发现

Giacomo Albi, Alessandro Alla, Elisa Calzola

机构 * Department of Computer Science, University of Verona（威尼斯大学计算机科学系） ； Department of Mathematics, La Sapienza University of Rome（罗马拉维拉大学数学系） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.LG

AI总结 本文提出了一种数据驱动框架，通过轨迹数据直接学习多智能体系统中的非局部相互作用和扩散项，无需先验知识。通过随机批采样和均场近似策略，有效重建了相互作用和扩散核。

DynaTrust: Defending Multi-Agent Systems Against Sleeper Agents via Dynamic Trust Graphs

DynaTrust: 通过动态信任图防御多智能体系统中的睡眠代理

Yu Li, Qiang Hu, Yao Zhang, Lili Quan, Jiongchi Yu, Junjie Wang

机构 * Tianjin University（天津大学） ； Singapore Management University（新加坡管理学院） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出DynaTrust，通过动态信任图防御多智能体系统中的睡眠代理，动态更新信任并重构图以隔离受损代理，提升防御效果和系统可用性。

Comments 9 pages

Robust multi-scale leader-follower control of large multi-agent systems

鲁棒多尺度领导者-跟随者控制大型多智能体系统

Davide Salzano, Gian Carlo Maffettone, Mario di Bernardo

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出一种鲁棒多尺度领导者-跟随者控制方法，用于处理无法直接控制的多智能体系统，通过局部交互间接引导跟随者，并分析了领导者-跟随者系统的耦合稳定性。

Consensus in Multi-Agent Systems with Uniform and Nonuniform Communication Delays

多智能体系统中统一和非统一通信延迟下的共识问题

Shokoufeh Naderi, Maude Blondin, Sébastien Roy

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文研究多智能体系统在统一和非统一通信延迟下的共识收敛问题，通过Rouché定理和Lyapunov稳定性分析提出新收敛结果，验证了延迟分布决定的加权平均稳态值，并通过仿真和机器人实验展示了算法在实际通信约束下的鲁棒性和应用性。

Comments 12 pages, 3 figures

CoDesignAI: An AI-Enabled Multi-Agent, Multi-User System for Collaborative Urban Design at the Conceptual Stage

CoDesignAI：一种基于AI的多智能体、多用户系统，用于概念阶段的协同城市设计

Zhaoxi Zhang, Ruolin Wu, Feiyang Ren, Sridevi Turaga, Tamir Mendel

专题命中 多智能体 ：agent(title)；multi-agent(title)；AI agent(abstract)；workflow(abstract)

AI总结 本文提出CoDesignAI，通过整合大语言模型与空间映射服务，支持城市设计概念阶段的多用户协作，提升公众参与效率与可扩展性。

Don't Trust Stubborn Neighbors: A Security Framework for Agentic Networks

不要信任固执的邻居：代理网络的安全框架

Samira Abedini, Sina Mavali, Lea Schönherr, Martin Pawelczyk, Rebekka Burkholz

机构 * CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全研究中心） ； University of Vienna, Faculty of Computer Science（维也纳大学计算机科学系） 纠错

专题命中 多智能体 ：agentic(title,abstract)；agent(abstract)；planning(abstract)；multi-agent(abstract)

AI总结 本文研究了基于大语言模型的多代理系统中恶意代理传播虚假信息的风险，提出理论框架并通过实验验证了增加良性代理、提升固执度或降低对敌方信任可增强系统安全。

Beyond Reward Suppression: Reshaping Steganographic Communication Protocols in MARL via Dynamic Representational Circuit Breaking

超越奖励压制：通过动态表示电路断开重塑MARL中的隐写通信协议

Liu Hung Ming

机构 * PARRAWA AI（PARRAWA人工智能） 纠错

专题命中 多智能体 ：agent(abstract,comments)；multi-agent(abstract,comments)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出动态表示电路断开机制，用于检测MARL中的隐写协作，通过统计对象转换和动态干预提升观测准确性并降低波动性。

Comments 38 pages, includes 5 figures and 8 tables, preliminary version, AI safety / multi-agent reinforcement learning

Occupation-Measure Mean-Field Control: Optimization over Measures and Frank-Wolfe Methods

测度均场控制：关于测度的优化与Frank-Wolfe方法

Di Yu, Sixiong You, Chaoying Pei

专题命中 多智能体 ：agent(abstract)；autonomous agent(abstract)；multi-agent(abstract)

AI总结 本文提出基于测度的均场控制框架，通过测度空间直接建模群体演化，将大规模控制问题转化为无限维优化问题，并利用Frank-Wolfe方法求解，验证了其在无人机群和卫星编队中的有效性。

On Theoretically-Driven LLM Agents for Multi-Dimensional Discourse Analysis

关于理论驱动的LLM代理在多维话语分析中的应用

Maciej Uberna, Michał Wawer, Jarosław A. Chudziak, Marcin Koszowy

机构 * Laboratory of The New Ethos, Warsaw University of Technology, Poland（新伦理实验室，华沙理工大学，波兰） ； Faculty of Electronics and Information Technology, Warsaw University of Technology, Poland（电子与信息技术学院，华沙理工大学，波兰） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.CL

AI总结 本文提出一种多代理框架，通过引入显式理论知识提升话语分析中改写策略的识别能力，实验表明理论增强的LLM代理在检测强化和泛化等任务上表现显著优于基线模型，宏F1分数提升近30%。

Comments 8 pages, 4 figures, 3 tables. This is the accepted version of the paper presented at the 18th International Conference on Agents and Artificial Intelligence (ICAART 2026), Marbella, Spain

Journal ref Proceedings of the 18th International Conference on Agents and Artificial Intelligence (ICAART 2026)

When the City Teaches the Car: Label-Free 3D Perception from Infrastructure

当城市教导汽车：从基础设施实现无标签的3D感知

Zhen Xu, Jinsu Yoo, Cristian Bautista, Zanming Huang, Tai-Yu Pan, Zhenzhen Liu, Katie Z Luo, Mark Campbell, Bharath Hariharan, Wei-Lun Chao

机构 * The Ohio State University（俄亥俄州立大学） ； Google（谷歌） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； Boston University（波士顿大学） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)

AI总结 本文提出一种无标签的3D感知方法，利用道路设施作为无监督教师，通过固定视角和重复观测学习局部3D检测器，并广播预测作为伪标签监督，无需基础设施即可训练独立的车辆检测器。

Comments Project Page: https://jinsuyoo.info/civet/

Decentralized design of consensus protocols with minimal communication links based on directed spanning tree

基于有向生成树的共识协议去中心化设计及其最小通信链路

Yangzhou Chen, Lanhao Zhao

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)

AI总结 本文提出基于有向生成树的去中心化共识协议设计方法，通过线性变换和最小通信链路实现多智能体系统的共识问题转化与稳定控制，验证了去中心化设计的有效性。

Comments 6 pages, 8 figures

Playing Against the Machine: Cooperation, Communication, and Strategy Heterogeneity in Repeated Prisoner's Dilemma

与机器对抗：重复囚徒困境中的合作、沟通与策略异质性

Chowdhury Mohammad Sakib Anwar, Konstantinos Georgalos

专题命中 多智能体 ：agent(abstract)；AI agent(abstract)

AI总结 研究探讨人类与AI代理进行自然语言交流对重复囚徒困境中合作行为的影响，发现与AI合作初期较高但无法达到完全合作，重复沟通对AI设置无显著影响，策略估计显示人类与AI参与者更倾向于grim trigger，而人类间参与者趋于tit-for-tat和无条件合作。

Decentralized design of leader-following consensus protocols for asymmetric matrix-weighted heterogeneous multiagent systems

去中心化设计用于不对称矩阵加权异构多智能体系统的领导者-跟随者一致性协议

Lanhao Zhao, Yangzhou Chen

专题命中 多智能体 ：agent(abstract)

AI总结 本文研究了在固定通信拓扑下包含定向生成树(DST)和不对称权重矩阵的异构多智能体系统中，去中心化设计领导者-跟随者一致性协议的方法。通过最小通信链路信息设计控制协议，并利用线性变换方法将一致性问题转化为部分变量稳定性问题，提出去中心化设计方法以确定协议中的增益矩阵。

Comments 14 pages, 4 figures

Galaxy Tracer: A Topology-First 3D Interface for Interactive PCAP Exploration

Galaxy Tracer: 一种以拓扑优先的3D界面用于交互式PCAP探索

Ryan Younger

专题命中 多智能体 ：workflow(abstract)

AI总结 Galaxy Tracer通过三维网络拓扑替代传统表格列表，提供交互式PCAP探索，揭示通信密度、集群、主机中心性等分析信息。

Comments Preprint of Galaxy Tracer (March 2026). Live interactive demo: https://ryanyounger.ai/galaxytracer