AI Agent

EDM-ARS: A Domain-Specific Multi-Agent System for Automated Educational Data Mining Research

EDM-ARS：一种面向领域的多智能体系统用于自动化教育数据挖掘研究

Chenguang Pan, Zhou Zhang, Weixuan Xiao, Chengyuan Yao

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

AI总结 EDM-ARS通过多智能体系统实现教育数据挖掘的自动化研究，包含五个LLM驱动的智能体，生成包含实证分析和同行评审的LaTeX论文。

The Provenance Paradox in Multi-Agent LLM Routing: Delegation Contracts and Attested Identity in LDP

多智能体大语言模型路由中的溯源悖论：委托合同与认证身份在LDP中的应用

Sunil Prakash

机构 * Indian School of Business（印度管理学院） 纠错

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

AI总结 本文研究多智能体大语言模型在跨信任边界任务委托中的溯源悖论，提出委托合同和认证身份模型以解决不可验证质量声明的问题，通过实验验证认证路由的高效性。

Comments 9 pages, 6 figures. Open-source: https://github.com/sunilp/ldp-protocol

MedMASLab: A Unified Orchestration Framework for Benchmarking Multimodal Medical Multi-Agent Systems

MedMASLab：多模态医疗多智能体系统的统一协调框架

Yunhang Qian, Xiaobin Hu, Jiaquan Yu, Siyang Xin, Xiaokun Chen, Jiangning Zhang, Peng-Tao Jiang, Jiawei Liu, Hongwei Bran Li

机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； vivo ； Stanford University（斯坦福大学） 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MedMASLab框架，解决医疗多智能体系统中多模态整合碎片化问题，通过标准化通信协议、自动化评估器和大规模基准测试，揭示领域特定性能差距，为未来自主临床系统建立新基准。

MEMO: Memory-Augmented Model Context Optimization for Robust Multi-Turn Multi-Agent LLM Games

MEMO: 带记忆的模型上下文优化用于鲁棒的多轮多智能体大语言模型游戏

Yunfei Xie, Kevin Wang, Bobby Cheng, Jianzhu Yao, Zhizhou Sha, Alexander Duffy, Yihan Xi, Hongyuan Mei, Cheston Tan, Chen Wei, Pramod Viswanath, Zhangyang Wang

机构 * Rice University（里士满大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学） ； A*STAR ； Good Start Labs ； TTIC 纠错

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

AI总结 MEMO通过优化推理时的上下文，结合记忆保留和探索，提升了多轮多智能体大语言模型游戏的鲁棒性和性能，显著提高了胜率并降低了运行间方差。

Comments Code has been released https://github.com/openverse-ai/MEMO

StoryBox: Collaborative Multi-Agent Simulation for Hybrid Bottom-Up Long-Form Story Generation Using Large Language Models

StoryBox：基于大型语言模型的混合自底向上长篇故事生成的协作多智能体模拟

Zehao Chen, Rong Pan, Haoran Li

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

AI总结 本文提出混合自底向上长篇故事生成方法，利用多智能体模拟生成超过10000字的连贯故事，通过智能体交互产生有机情节发展，优于传统自顶向下的结构化方法。

Comments Accepted by AAAI 2026. Project: https://storyboxproject.github.io

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 2026, 40(36), 30359-30367

Markov Potential Game and Multi-Agent Reinforcement Learning for Autonomous Driving

马尔可夫势游戏与多智能体强化学习在自动驾驶中的应用

Huiwen Yan, Mushuang Liu

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

AI总结 本文提出马尔可夫势游戏的充分条件，用于自动驾驶中的多智能体强化学习，通过高速公路强制合并场景展示其在自动驾驶中的有效性。

Mean-field control barrier functions for stochastic multi-agent systems

均场控制屏障函数用于随机多智能体系统

Cinzia Tomaselli, Gian Carlo Maffettone, Samy Wu Fung, Levon Nurbekyan, Mario di Bernardo

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

AI总结 本文提出均场控制屏障函数，用于保障随机多智能体系统安全，通过稳定性分析和数值模拟验证了其有效性。

GoalVLM: VLM-driven Object Goal Navigation for Multi-Agent System

GoalVLM: 多智能体系统中基于视觉语言模型的目标导航

MoniJesu James, Amir Atef Habel, Aleksey Fedoseev, Dzmitry Tsetserokou

机构 * Intelligent Space Robotics Laboratory（智能空间机器人实验室） ； Center for Digital Engineering（数字工程中心） ； Skolkovo Institute of Science and Technology（斯克尔科夫科学与技术研究所） 纠错

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

AI总结 本文提出GoalVLM，一种基于视觉语言模型的多智能体零样本开放词汇目标导航框架，通过整合SAM3和SpaceOM实现语义优先级探索，无需重新训练即可完成复杂目标导航任务。

Comments 8 pages, 5 figures

Security, privacy, and agentic AI in a regulatory view: From definitions and distinctions to provisions and reflections

安全、隐私与代理AI的监管视角：从定义与区分到规定与反思

Shiliang Zhang, Sabita Maharjan

机构 * Department of Informatics, University of Oslo（奥斯陆大学信息学院） 纠错

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

AI总结 本文通过分析24份2024-2025年发布的欧盟AI监管文件，澄清安全、隐私和代理AI的关键定义，区分相关概念，梳理当前监管规定，并反思如何更好地对齐安全隐私义务与AI行为。

Comments Accepted by 2026 Governing Agentic AI Symposium

Single Agent Robust Deep Reinforcement Learning for Bus Fleet Control

单 agent 抗扰深度强化学习用于公交车队控制

Yifan Zhang

机构 * Central South University（中南大学） 纠错

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

AI总结 本文提出一种单 agent 强化学习框架，通过引入分类标识符和结构化奖励函数，有效解决公交调度中的拥挤问题，优于传统多 agent 方法。

Verifiable Semantics for Agent-to-Agent Communication

可验证的语义用于智能体间通信

Philipp Schoenegger, Matt Carlson, Chris Schneider, Chris Daly

机构 * Microsoft AI（微软人工智能） ； Wabash College（瓦巴什学院） 纠错

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

AI总结 本文提出基于刺激-意义模型的认证协议，通过验证共享事件和术语的语义一致性，减少智能体间分歧。核心 guarded 推理降低分歧72-96%，语言模型验证中减少51%。

CAMO: A Conditional Neural Solver for the Multi-objective Multiple Traveling Salesman Problem

CAMO：一种用于多目标多旅行商问题的条件神经求解器

Fengxiaoxiao Li, Xiao Mao, Mingfeng Fan, Yifeng Zhang, Yi Li, Tanishq Duhan, Guillaume Sartoretti

机构 * National University of Singapore（新加坡国立大学） ； China Unicom Shenzhen Branch（中国unicom深圳分公司） ； Central South University（中南大学） 纠错

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

AI总结 CAMO提出一种条件神经求解器，解决多目标多旅行商问题，通过融合偏好和协作解码器实现多目标权衡，实验显示其在求解帕累托前沿方面表现优异。

Comments 9 pages, 3 figures

Security awareness in LLM agents: the NDAI zone case

LLM代理中的安全意识：NDAI区域案例

Enrico Bottazzi, Pia Park

机构 * Leku 纠错

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

AI总结 研究探讨LLM代理在安全环境识别中的能力差异，发现失败的证明会抑制披露，而成功的证明导致不同模型反应不一，揭示LLM在检测危险信号方面可靠但无法验证安全，需进一步改进以支持隐私保护代理协议。

Quotient Geometry and Persistence-Stable Metrics for Swarm Configurations

商几何与持久稳定度量用于群体配置

Mark M. Bailey

机构 * AI Cyber Influence and Data Science Department Director（人工智能网络影响与数据科学部门主任） ； Biological and Computational Intelligence Center（生物与计算智能中心） ； National Intelligence University（国家安全大学） 纠错

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

AI总结 本文提出商形成空间和形成匹配度量，用于比较和监控多智能体配置数据，通过优化环境对称性和重标定的最坏分配误差，提供持久稳定度量。

Comments 20 pages

Leader-following Consensus over Jointly Connected Switching Networks is Achievable for Exponentially Unstable Linear Systems

领导者跟随一致性在联合连接切换网络上的实现对于指数不稳定线性系统是可行的

Yuhan Chen, Tao Liu, Jie Huang

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

AI总结 本文提出在联合连接切换网络上，指数一致性的实现对于一般线性多智能体系统，即使系统矩阵指数不稳定也是可能的，突破了传统限制。

UDON: Uncertainty-weighted Distributed Optimization for Multi-Robot Neural Implicit Mapping under Extreme Communication Constraints

UDON：在极端通信限制下基于不确定性加权的多机器人神经隐式映射分布式优化

Hongrui Zhao, Xunlan Zhou, Boris Ivanovic, Negar Mehr

机构 * Department of Aerospace Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校航空航天工程系） ； School of Intelligent Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； NVIDIA Research（NVIDIA研究） ； Department of Mechanical Engineering, University of California, Berkeley（加州大学伯克利分校机械工程系） 纠错

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

AI总结 UDON提出一种实时多智能体神经隐式映射框架，通过引入不确定性加权分布式优化，在极端通信退化条件下实现高质量映射，实验表明其在低至1%通信成功率下仍能保持高保真重建。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA 2026)

Adversarial Robustness for Matrix Control Barrier Functions in Sampled-Data Systems

矩阵控制屏障函数在采样系统中的对抗鲁棒性

James Usevitch

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

AI总结 本文提出理论结果，通过矩阵控制屏障函数保证多智能体系统集合不变性，针对异构控制仿射智能体和对抗性智能体的安全性问题，提出方法保证集合不变性。

LLMs Aren't Human: A Critical Perspective on LLM Personality

大语言模型并非人类：对大语言模型个性的批判性视角

Kim Zierahn, Cristina Cachero, Anna Korhonen, Nuria Oliver

专题命中 多智能体 ：agent(abstract)

AI总结 本文批判性地评估了大语言模型在人格测试中的表现，指出其未满足人格特质的六大定义特征，提出转向功能评估的研究方向，以明确人格测试在大语言模型中的实际捕捉内容。

Comments 4 pages

Toward Scalable Patient Safety Training: A Prototype for Root Cause Analysis Simulation With AI Virtual Avatars

迈向可扩展的患者安全培训：一种基于AI虚拟仿真的根因分析原型

Yuqi Hu, Qiwen Xiong, Zhenzhen Qin, Brandon Watanabe, Yujing Wang, Mirjana Prpa, Ilmi Yoon

专题命中 多智能体 ：agent(abstract)

AI总结 本文提出一种AI驱动的仿真平台，通过根因分析模拟提升患者安全培训的可扩展性，利用虚拟角色和AI技术实现沉浸式学习，降低培训成本。

Comments This works has been accepted at the 2026 IEEE Conference on Artificial Intelligence, where a revised version of this work will be published

A Trace-Based Assurance Framework for Agentic AI Orchestration: Contracts, Testing, and Governance

基于跟踪的代理AI编排保证框架：合同、测试与治理

Ciprian Paduraru, Petru-Liviu Bouruc, Alin Stefanescu

机构 * University of Bucharest Romania ； University of Bucharest \& Institute for Logic 纠错

专题命中 工作流自动化 ：agentic(title,abstract)；agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出一种基于跟踪的代理AI编排保证框架，通过显式步骤和跟踪合同进行执行仪器化，支持机器可验证的判定和确定性回放，同时提供压力测试和结构化故障注入以评估在现实故障和退化条件下的容错能力。

From Workflow Automation to Capability Closure: A Formal Framework for Safe and Revenue-Aware Customer Service AI

从工作流自动化到能力闭合：一种安全且收益意识的客户服务AI形式框架

Cosimo Spera

机构 * Minerva CQ 纠错

专题命中 工作流自动化 ：workflow(title)；agent(abstract)；AI agent(abstract)；分类 cs.AI

AI总结 本文提出一种形式框架，用于安全且收益意识的客户服务AI，解决自动化转型中安全缺口问题，通过动态组合能力实现安全目标。

HISR: Hindsight Information Modulated Segmental Process Rewards For Multi-turn Agentic Reinforcement Learning

HISR: 基于 hindsight 信息的分段过程奖励用于多轮代理强化学习

Zhicong Lu, Zichuan Lin, Wei Jia, Changyuan Tian, Deheng Ye, Peiguang Li, Li Jin, Nayu Liu, Guangluan Xu, Wei Feng

机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tencent Hunyuan（腾讯文脉） ； School of Computer Science and Technology, Tianjin University（天津大学计算机科学与技术学院） 纠错

专题命中 工作流自动化 ：agentic(title,abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出HISR方法，通过hindsight信息调节分段过程奖励，提升多轮代理强化学习中的信用分配可靠性，实验验证了方法的有效性。

Comments Submitted to ACL 2026 on Jan 5, 2026

Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining

通过重构理解：为LLM预训练反转软件开发过程

Zhiyuan Zeng, Yichi Zhang, Yong Shan, Kai Hua, Siyuan Fang, Zhaiyu Liu, Jiaheng Liu, Haozhe Wang, Yining Zheng, Ming Ding, Ke Shen, Ge Zhang, Wenhao Huang, Xipeng Qiu

专题命中 工作流自动化 ：agent(abstract)；planning(abstract)；agentic(abstract)；multi-agent(abstract)

AI总结 本文提出通过重构软件开发过程来提升LLM性能，通过模拟多智能体轨迹生成更丰富的监督信号，实验显示在多个基准测试中效果显著。

Robotic Agentic Platform for Intelligent Electric Vehicle Disassembly

智能电动汽车拆解机器人平台

Zachary Allen, Max Conway, Lyle Antieau, Allen Ponraj, Nikolaus Correll

机构 * Department of Computer Science, University of Colorado, Boulder（科罗拉多大学博尔德分校计算机科学系） 纠错

专题命中 工作流自动化 ：agentic(title,abstract)

AI总结 本文提出RAPID平台，通过感知驱动操作、灵活自动化和AI辅助机器人编程，解决电动汽车电池包拆解的自动化问题，实验评估了三种快拆策略并引入代理AI规范以提升人机协作效率。

Expert Personas Improve LLM Alignment but Damage Accuracy: Bootstrapping Intent-Based Persona Routing with PRISM

专家人设提升LLM对齐但损害准确性：基于PRISM的意图驱动人设路由 Bootstrapping

Zizhao Hu, Mohammad Rostami, Jesse Thomason

机构 * University of Southern California（南加州大学） 纠错

专题命中 工作流自动化 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文研究了专家人设在不同任务类型和提示长度下的有效性，提出PRISM框架通过自蒸馏实现意图条件的人设路由，提升生成任务的人类偏好对齐，同时保持判别任务的准确性，且计算开销低。

Retrieval-Augmented LLM Agents: Learning to Learn from Experience

基于检索的LLM代理：学习从经验中学习

Thomas Palmeira Ferraz, Romain Deffayet, Vassilina Nikoulina, Hervé Déjean, Stéphane Clinchant

机构 * NAVER LABS Europe（NAVER实验室欧洲） 纠错

专题命中 工作流自动化 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出结合微调与经验检索的方法，通过LoRA优化SFT流程，分析经验检索关键设计，提出整合经验检索的训练流程，提升代理对新任务的泛化能力。

Unlocking Full Efficiency of Token Filtering in Large Language Model Training

解锁大语言模型训练中令牌过滤的全面效率

Di Chai, Pengbo Li, Feiyuan Zhang, Yilun Jin, Han Tian, Kaiqiang Xu, Binhang Yuan, Dian Shen, Junxue Zhang, Kai Chen

机构 * Shanghai University of Finance and Economics（上海财经大学） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Science and Technology of China（中国科学技术大学） ； Southeast University（东南大学） 纠错

专题命中 工作流自动化 ：workflow(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出Centrifuge系统，通过算法与系统协同设计提升令牌过滤效率，减少反向传播时间达49.9%，端到端训练时间达34.7%，并提升模型性能26.6%。

Data-driven construction of machine-learning-based interatomic potentials for gas-surface scattering dynamics: the case of NO on graphite

数据驱动构建基于机器学习的互原子势能面用于气体-表面散射动力学：NO在石墨上的案例

Samuel Del Fré, Gilberto A. Alou Angulo, Maurice Monnerville, Alejandro Rivero Santamaría

机构 * Univ. Lille, CNRS, UMR 8523 – PhLAM – Physique des Lasers Atomes et Molécules（里尔大学，法国国家科学研究中心，UMR 8523 – PhLAM – 物理激光原子分子研究所） 纠错

专题命中 工作流自动化 ：workflow(abstract)；分类 cs.LG

AI总结 本文提出一种数据驱动方法，利用NO在石墨上的散射作为基准系统，构建机器学习互原子势能面，通过主动学习策略提高效率，实现大规模分子动力学模拟，揭示吸附能、散射概率等关键特性。

Comments 19 pages, 9 figures

D-Mem: A Dual-Process Memory System for LLM Agents

D-Mem：一种用于LLM代理的双过程记忆系统

Zhixing You, Jiachen Yuan, Jason Cai

机构 * Einstein Institute of Mathematics（爱因斯坦数学研究所） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； AWS AI（AWS人工智能） 纠错

专题命中 工作流自动化 ：autonomous agent(abstract)；分类 cs.AI

AI总结 本文提出D-Mem双过程记忆系统，通过轻量向量检索与全面深入模块结合，提升长期推理准确性，实验表明其在LoCoMo基准上F1得分达53.5，优于传统方法。

Probabilistic multivariate statistical process control via kernel parameter uncertainty propagation

基于核参数不确定性传播的概率多变量统计过程控制

Zina-Sabrina Duma, Victoria Jorry, Ayesha Safraz, Maria Paola di Crosta, Tuomas Sihvonen, Lassi Roininen, Satu-Pia Reinikainen

专题命中 工作流自动化 ：workflow(abstract)

AI总结 本文提出一种概率K-MSPC框架，通过传播核参数不确定性到监控统计量，改进多变量过程监控的鲁棒性与准确性。