AI Agent

Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing

智能制造中混合代理AI与多代理系统

Mojtaba A. Farahani, Md Irfan Khan, Thorsten Wuest

机构 * University of South Carolina（南卡罗来纳大学） 纠错

专题命中 规划决策 ：agent(title,abstract)；agentic(title,abstract)；multi-agent(title)；planning(abstract)

AI总结 本文提出一种混合代理AI与多代理框架，用于预测性维护，结合LLM代理的战略协调与规则代理的高效任务处理，通过分层架构实现动态模型适应与可解释决策。

Enhancing Secure Intent-Based Networking with an Agentic AI: The EU Project MARE Approach

通过代理AI增强安全意图导向网络：欧盟项目MARE方法

Iulisloi Zacarias, Marla Grunewald, Fin Gentzen, Xavi Masip-Bruin, Admela Jukan

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；multi-agent(abstract)

AI总结 本文提出一种增强意图导向网络的框架，结合代理AI提升安全性，设计多代理多供应商架构，支持连接外部安全知识库。

Comments This work may be submitted to the IEEE for possible publication

Train-Small Deploy-Large: Leveraging Diffusion-Based Multi-Robot Planning

训练小型部署大型：利用基于扩散的多机器人规划

Siddharth Singh, Soumee Guha, Qing Chang, Scott Acton

机构 * University of Virginia（弗吉尼亚大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)；multi-agent(abstract)

AI总结 本文提出基于扩散模型的多机器人路径规划方法，通过训练少量代理并有效扩展到更多代理，解决动态变化中的规划问题。

Adaptive Obstacle-Aware Task Assignment and Planning for Heterogeneous Robot Teaming

自适应障碍感知异构机器人协同的任务分配与规划

Nan Li, Jiming Ren, Haris Miller, Samuel Coogan, Karen M. Feigh, Ye Zhao

机构 * Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所） ； Lockheed Martin Corporation（洛克希德·马丁公司） 纠错

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)；multi-agent(abstract)

AI总结 本文提出OATH框架，通过自适应Halton序列地图和集群拍卖选择机制，提升异构机器人在障碍密集环境中的任务分配效率与适应性，结合LLM实现实时指令解读。

Comments 24 pages, 19 figures, 5 tables

AV-SQL: Decomposing Complex Text-to-SQL Queries with Agentic Views

AV-SQL：通过代理视图分解复杂文本到SQL查询

Minh Tam Pham, Trinh Pham, Tong Chen, Hongzhi Yin, Quoc Viet Hung Nguyen, Thanh Tam Nguyen

机构 * Griffith University（格里菲斯大学） ； The University of Queensland（昆士兰大学） 纠错

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI

AI总结 AV-SQL通过代理视图分解复杂文本到SQL查询，提升复杂查询的执行准确率，其在Spider 2.0基准测试中达到70.38%的准确率，优于现有方法。

ManeuverGPT Agentic Control for Safe Autonomous Stunt Maneuvers

ManeuverGPT 代理控制用于安全的自动驾驶特技动作

Shawn Azdam, Pranav Doma, Aliasghar Moj Arab

机构 * New York University（纽约大学） ； Tandon School of Engineering, New York University（纽约大学坦登工程学院） ； General Autonomy Inc.（通用自主公司） ； Azdam AI 纠错

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI

AI总结 本文提出ManeuverGPT框架，利用大语言模型代理生成并执行高动态特技动作，通过迭代提示法优化车辆控制参数，实现安全的J-turn等特技动作执行。

Comments 6 Pages, Submitted to IROS

The Depth Ceiling: On the Limits of Large Language Models in Discovering Latent Planning

深度上限：大语言模型在发现潜在规划中的局限性

Yi Xu, Philipp Jettkant, Laura Ruis

机构 * University of Cambridge（剑桥大学） ； Imperial College London（帝国理工学院） ； MIT（麻省理工学院） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 研究探讨了大语言模型在无监督情况下发现多步规划策略的极限，发现模型在单次前向传递中能执行最多七步潜在规划，揭示了训练与测试时能力的差异。

Comments 10 pages, 3 figures, 1 table (30 pages, 9 figures, 10 tables including references and appendices)

DosimeTron: Automating Personalized Monte Carlo Radiation Dosimetry in PET/CT with Agentic AI

DosimeTron：利用代理AI自动化PET/CT中的个性化蒙特卡洛辐射剂量学

Eleftherios Tzanis, Michail E. Klontzas, Antonios Tzortzakakis

机构 * Division of Radiology, Department for Clinical Science, Intervention and Technology (CLINTEC), Karolinska Institutet（卡罗林斯卡学院临床科学、干预与技术系放射学部门） ； Artificial Intelligence and Translational Imaging (ATI) Lab, Department of Radiology, School of Medicine, University of Crete（克里特大学医学院放射学系人工智能与转化影像实验室） ； Department of Nuclear Medicine and Medical Physics, Section Nuclear Medicine Huddinge, Karolinska University Hospital（卡罗林斯卡大学医院核医学与医学物理系胡丁厄核医学部门） ； Department of Nuclear Medicine and Medical Physics, Theranostics Trial Center, Karolinska University Hospital（卡罗林斯卡大学医院核医学与医学物理系治疗诊断试验中心） ； Computational Biomedicine Laboratory, Institute of Computer Science Foundation for Research and Technology Hellas (ICS - FORTH)（研究与技术基金会计算机科学研究所计算生物医学实验室） 纠错

专题命中 规划决策 ：agentic(title,abstract)；分类 cs.AI

AI总结 本文提出DosimeTron，一种基于代理AI的系统，用于自动化PET/CT检查中的患者特定蒙特卡洛内部辐射剂量学，通过自然语言交互实现DICOM元数据提取、图像预处理、MC模拟、器官分割和剂量报告，验证了其在114例病例和22个器官上的高精度与临床可行性。

RAGEN-2: Reasoning Collapse in Agentic RL

RAGEN-2：代理强化学习中的推理崩溃

Zihan Wang, Chi Gui, Xing Jin, Qineng Wang, Licheng Liu, Kangrui Wang, Shiqi Chen, Linjie Li, Zhengyuan Yang, Pingyue Zhang, Yiping Lu, Jiajun Wu, Li Fei-Fei, Lijuan Wang, Yejin Choi, Manling Li

机构 * Northwestern University（西北大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Independent（独立研究者） ； Imperial College London（伦敦帝国学院） ； Oxford University（牛津大学） ； University of Washington（华盛顿大学） ； Microsoft（微软） ； Stanford University（斯坦福大学） 纠错

专题命中 规划决策 ：agentic(title)；planning(abstract)；分类 cs.LG

AI总结 研究发现代理强化学习中推理稳定性受模板崩溃影响，通过引入互信息代理提升推理质量与任务表现。

C-TRAIL: A Commonsense World Framework for Trajectory Planning in Autonomous Driving

C-TRAIL：用于自动驾驶轨迹规划的常识世界框架

Zhihong Cui, Haoran Tang, Tianyi Li, Yushuai Li, Peiyuan Guan, Amir Taherkordi, Tor Skeie

机构 * University of Oslo（奥斯陆大学） ； Hong Kong Polytechnic University（香港理工大学） ； Aalborg University（奥尔堡大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI

AI总结 本文提出C-TRAIL框架，结合常识世界与信任机制，通过Recall-Plan-Update循环提升自动驾驶轨迹规划的可靠性，实验表明其在ADE、FDE和SR指标上均优于现有方法。

Journal ref IEEE Transactions on Vehicular Technology, 2026

Faithful-First Reasoning, Planning, and Acting for Multimodal LLMs

多模态大语言模型中的忠实优先推理、规划与行动

Junxian Li, Xinyue Xu, Sai Ma, Di Zhang, Sichao Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Australian National University（澳大利亚国立大学） ； Fudan University（复旦大学） ； University of Sydney（悉尼大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI

AI总结 本文提出Faithful-First RPA框架，通过逐步监督提升多模态推理的忠实度，实验表明其在多个基准上提升了24%的感知忠实度，且不降低任务准确性。

Comments Accepted by ACL 2026 Findings

Planning with Minimal Disruption

最小干扰的规划

Alberto Pozanco, Marianela Morales, Daniel Borrajo, Manuela Veloso

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI

AI总结 本文提出最小干扰规划概念，通过优化动作成本与干扰度的总和，生成平衡两者目标的规划方案。

Measurement of Generative AI Workload Power Profiles for Whole-Facility Data Center Infrastructure Planning

面向全设施数据中心基础设施规划的生成式AI工作负载功率谱测量

Roberto Vercellino, Jared Willard, Gustavo Campos, Weslley da Silva Pereira, Olivia Hull, Matthew Selensky, Juliane Mueller

机构 * National Laboratory of the Rockies (NLR)（落基山国家实验室（NLR）） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.LG

AI总结 本文通过高精度测量生成式AI工作负载的功率消耗，结合MLCommons和vLLM基准，建立全设施能效模型，为电网接入、本地能源生成和微电网规划提供数据支持。

Comments The data associated with this publication can be found at http://doi.org/10.7799/3025227

Telecom World Models: Unifying Digital Twins, Foundation Models, and Predictive Planning for 6G

电信世界模型：统一数字孪生、基础模型和预测规划用于6G

Hang Zou, Yuzhi Yang, Lina Bariah, Yu Tian, Yuhuan Lu, Bohao Wang, Anis Bara, Brahim Mefgouda, Hao Liu, Yiwei Tao, Sergy Petrov, Salma Cheour, Nassim Sehad, Sumudu Samarakoon, Chongwen Huang, Samson Lasaulce, Mehdi Bennis, Mérouane Debbah

机构 * Research Institute for Digital Future, Khalifa University（哈利法大学数字未来研究所） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息与电子工程学院） ； University of Oulu（奥卢大学） ； Aalto University（阿尔托大学） ； Université de Lorraine, CNRS, CRAN（洛林大学，法国国家科学研究中心，CRAN） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出电信世界模型(TWM)，结合数字孪生与基础模型，解决6G网络中动态建模、不确定性处理和多层控制规划问题。

Walk the Talk: Bridging the Reasoning-Action Gap for Thinking with Images via Multimodal Agentic Policy Optimization

行走与言说：通过多模态代理策略优化弥合图像推理与行动之间的差距

Wenhao Yang, Yu Xia, Jinlong Huang, Shiyin Lu, Qing-Guo Chen, Zhao Xu, Weihua Luo, Kaifu Zhang, Yuchen Zhou, Xiaobo Xia, Yuanyu Wan, Lijun Zhang, Tat-Seng Chua

机构 * National Key Laboratory for Novel Software Technology, Nanjing University, China（南京大学计算机软件新技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院） ； AI Business, Alibaba Group（阿里巴巴集团智能计算研究院） ； School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, China（上海交通大学自动化与智能感知学院） ； School of Intelligent Systems Engineering, Sun Yat-sen University, Shenzhen, China（中山大学智能工程学院（深圳）） ； School of Information Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学技术学院） ； School of Software Technology, Zhejiang University, China（浙江大学软件学院） ； School of Computing, National University of Singapore, Singapore, Singapore（新加坡国立大学计算机学院） 纠错

专题命中 规划决策 ：agentic(title,abstract)

AI总结 本文提出MAPO方法，通过强制生成视觉内容的显式文本描述，结合语义对齐与任务奖励，提升多模态推理能力，实验表明其在多个视觉推理基准上表现优异。

Towards National Quantum Communication in Europe: Planning and Sizing Terrestrial QKD Networks

迈向欧洲国家量子通信：规划与设计陆基QKD网络

Sebastian Raubitzek, Werner Strasser, Sebastian Ramacher, Thomas Lebeth, Andreas Neuhold, Christoph Pacher

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出了一种可复现的规划方法，用于设计支持关键基础设施和公共当局的国家陆基QKD网络，通过蒙特卡洛模拟验证了奥地利案例，并推导出适用于其他欧盟国家的扩展规则。

One Life to Learn: Inferring Symbolic World Models for Stochastic Environments from Unguided Exploration

一次生命学习：从无指导探索中推断随机环境的符号世界模型

Zaid Khan, Archiki Prasad, Elias Stengel-Eskin, Jaemin Cho, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Allen Institute for AI（艾伦人工智能研究所） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 规划决策 ：agent(abstract)；planning(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出OneLife框架，通过条件激活的程序法则在概率编程框架中推断随机环境的动态，实现从无指导探索中学习复杂环境的动力学，优于基线方法。

Comments Accepted to ICLR 2026. Project page: https://onelife-worldmodel.github.io/; 44 pages

PyFi: Toward Pyramid-like Financial Image Understanding for VLMs via Adversarial Agents

PyFi: 通过对抗代理实现金字塔式金融图像理解的愿景语言模型

Yuqun Zhang, Yuxuan Zhao, Sijia Chen

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Yantai Research Institute, Harbin Engineering University（哈尔滨工程大学烟台研究院） 纠错

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 PyFi通过对抗代理生成的金字塔结构数据集，提升VLM在金融图像理解中的推理能力，实验显示模型在复杂金融问题上的准确率提升19.52%。

Asking like Socrates: Socrates helps VLMs understand remote sensing images

像苏格拉底提问：苏格拉底帮助VLMs理解遥感图像

Run Shao, Ziyu Li, Zhaoyang Zhang, Linrui Xu, Xinran He, Hongyuan Yuan, Bolei He, Yongxing Dai, Yiming Yan, Yijun Chen, Wang Guo, Haifeng Li

机构 * School of Geosciences and Info-Physics, Central South University（中南大学地球科学与信息物理学院） ； Baidu Inc.（百度公司） ； School of Earth Sciences, Zhejiang University（浙江大学地球科学学院） 纠错

专题命中 规划决策 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出RS-EoT方法，通过迭代视觉证据寻求机制和两阶段强化学习策略，解决遥感图像中伪推理问题，提升视觉证据基础的推理能力。

Comments Accepted by CVPR 2026

LongWriter-Zero: Mastering Ultra-Long Text Generation via Reinforcement Learning

LongWriter-Zero: 通过强化学习掌握超长文本生成

Yuhao Wu, Yushi Bai, Zhiqiang Hu, Roy Ka-Wei Lee, Juanzi Li

机构 * Singapore University of Technology and Design, Singapore（新加坡科技设计大学） ； Tsinghua University, Beijing, China（清华大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出一种基于激励的方法，无需标注或合成数据，通过强化学习使LLM生成超长高质量文本，实验表明其在长文本任务中优于传统SFT方法，达到WritingBench和Arena-Write的最优效果。

Comments ICLR 2026 Oral

Toward Reducing Unproductive Container Moves: Predicting Service Requirements and Dwell Times

迈向减少无效集装箱移动：预测服务需求和停泊时间

Elena Villalobos, Adolfo De Unánue T., Fernanda Sobrino, David Aké, Stephany Cisneros, Jorge Lecona, Alejandra Matadamaz

机构 * Container Terminal Operations（集装箱码头运营公司） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 本文通过预测服务需求和停泊时间，减少集装箱终端无效移动。利用历史数据训练机器学习模型，提高预清关处理和停泊时间预测精度，优于传统方法。

Comments Preprint, 20 pages, 9 figures, 5 tables (including appendices)

Resource-constrained Amazons chess decision framework integrating large language models and graph attention

资源受限的亚马逊国际象棋决策框架整合大语言模型和图注意力

Tianhao Qian, Zhuoxuan Li, Jinde Cao, Xinli Shi, Leszek Rutkowski

机构 * School of Mathematics, Southeast University（东南大学数学学院） ； Systems Research Institute of the Polish Academy of Sciences（波兰科学院系统研究所） ； Institute of Computer Science, AGH University of Krakow（AGH科技大学计算机科学研究所） ； SAN University（SAN大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种轻量级混合框架，结合图注意力学习和大语言模型生成能力，提升亚马逊国际象棋决策准确性，实验显示在资源受限条件下实现显著性能提升。

Comments 20 pages, 15 figures. Supported by the National Key Research and Development Project of China (No. 2020YFA0714300), NSFC (No. 61833005, 12061088), the Open Project of Key Laboratory of Transport Industry of Comprehensive Transportation Theory (Nanjing Modern Multimodal Transportation Laboratory) (MTF2023004), and the China Postdoctoral Science Foundation (2024T170129, GZC20240261)

Select-then-Solve: Paradigm Routing as Inference-Time Optimization for LLM Agents

选择后再解决：作为大语言模型代理推理时间优化的范式路由

Heng Zhou, Zelin Tan, Zhemeng Zhang, Yutao Fan, Yibing Lin, Li Kang, Xiufeng Song, Rui Li, Songtao Huang, Ao Yu, Yuchen Fan, Yanxu Chen, Kaixin Xu, Xiaohong Liu, Yiran Qin, Philip Torr, Chen Zhang, Zhenfei Yin

专题命中 规划决策 ：agent(abstract)；分类 cs.CL

AI总结 研究通过比较六种推理范式在四个前沿LLM和十个基准上的表现，发现推理结构对任务效果有显著影响，提出选择后再解决方法通过轻量级嵌入路由提升任务准确性。

Specializing Large Models for Oracle Bone Script Interpretation via Component-Grounded Multimodal Knowledge Augmentation

通过组件导向的多模态知识增强专门化大型模型进行甲骨文解读

Jianing Zhang, Runan Li, Honglin Pang, Ding Xia, Zhou Zhu, Qian Zhang, Chuntao Li, Xi Yang

机构 * College of Software, Jilin University（吉林大学软件学院） ； School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院） ； School of Archaeology, Jilin University（吉林大学考古学院） ； Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MoE, China（教育部知识驱动人机智能工程研究中心） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.CL

AI总结 本文提出一种基于组件的多模态知识增强框架，利用视觉语言模型和语言模型代理进行组件识别与语义推理，通过专家标注的OB-Radix数据集提升甲骨文解读的精度与细节。

Quality-preserving Model for Electronics Production Quality Tests Reduction

保质模型用于电子生产质量测试缩减

Noufa Haneefa, Teddy Lazebnik, Einav Peretz-Andersson

机构 * Jonkoping University（延雪平大学） ； University of Haifa（海法大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.LG

AI总结 本文提出一种自适应测试选择框架，结合贪心集合覆盖和 Thompson-sampling 多臂老虎机，通过滚动过程稳定性信号切换全测试与缩减测试计划，有效减少测试成本并保持产品质量。

Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles

在自主水下车辆中用于水下灾害场景的深度重建的不确定性估计

Samuel Yanes Luis, Alejandro Casado Pérez, Alejandro Mendoza Barrionuevo, Dame Seck Diop, Sergio Toral Marín, Daniel Gutiérrez Reina

机构 * University of Sevilla（塞维利亚大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI

AI总结 本文比较了多种方法在水下环境监测中同时进行标量场重建和不确定性分解的效果，发现证据深度学习在重建精度和不确定性校准方面表现最佳，且计算成本最低。

The End of the Foundation Model Era: Open-Weight Models, Sovereign AI, and Inference as Infrastructure

基础模型时代的终结：开放权重模型、主权AI与推理作为基础设施

Jared James Grogan

机构 * Universitas AI 纠错

专题命中 规划决策 ：agentic(abstract)；分类 cs.AI

AI总结 本文探讨基础模型时代终结，指出经济、技术、商业和政治四个维度的重构，强调开放权重模型作为主权控制的工具。

Comments 44 pages, 75 references, 5 endnotes. Version 1.0, events covered through March 9, 2026

Concentrated siting of AI data centers drives regional power-system stress under rising global compute demand

人工智能数据中心的集中布局在日益增长的全球计算需求下加剧了区域电力系统压力

Danbo Chen, Zijun Zhou, Yongyang Cai, Jiahong Qin, Ani Katchova, Lei Chen

机构 * The Ohio State University（俄亥俄州立大学） ； Meta Platforms Inc.（Meta平台公司） ； Zhejiang A&F University（浙江农林大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI

AI总结 本文研究了人工智能数据中心的集中布局对电力系统的影响，通过结合大语言模型分析和能源系统建模，预测了2025至2030年间AI数据中心的电力足迹，发现北美、西欧和亚太地区占90%以上计算能力，部分区域电网面临高压力。

Comments 32 pages, 8 figures

Smart Commander: A Hierarchical Reinforcement Learning Framework for Fleet-Level PHM Decision Optimization

智能指挥官：面向舰队级PHM决策优化的分层强化学习框架

Yong Si, Mingfei Lu, Jing Li, Yang Hu, Guijiang Li, Yueheng Song, Zhaokui Wang

机构 * School of Aerospace Engineering, Tsinghua University（清华大学航天航空学院） ； College of Information and Control Engineering, Xi'an University of Architecture and Technology（西安建筑科技大学信息与控制工程学院） ； Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； First Aircraft Institute of Aviation Industry Corporation of China（中国航空工业集团公司第一飞机设计研究院） ； Science and Technology on Complex Aviation System Simulation Laboratory（复杂航空系统仿真重点实验室） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.LG

AI总结 本文提出Smart Commander框架，通过分层强化学习解决军事航空PHM中高维问题、稀疏反馈和随机任务配置带来的挑战，实现维护和后勤决策优化，展现出更高的效率和鲁棒性。

Comments 21 pages, 6 figures, 4 tables

Mixed-Initiative Context: Structuring and Managing Context for Human-AI Collaboration

混合发起式上下文：为人类-人工智能协作结构和管理上下文

Haichang Li, Qinshi Zhang, Piaohong Wang, Zhicong Lu

机构 * George Mason University（乔治梅森大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 规划决策 ：workflow(abstract)；分类 cs.AI

AI总结 本文提出混合发起式上下文，通过结构化和可操作的交互对象，动态组织协作流程中的上下文，提升人机协作效率与可控性。

Comments 19 pages, 3 figures, 1 table. Appendix on pages 13-19 (main text is self-contained)