AI Agent

Scalable Neighborhood-Based Multi-Agent Actor-Critic

可扩展的基于邻域的多智能体Actor-Critic

Tim Goppelsroeder, Rasmus Jensen

机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

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

AI总结 本文提出MADDPG-K，通过限制每个智能体的 critic 仅依赖k个最近的智能体，解决传统集中式批评者方法的计算限制，实现更高效的训练和扩展性。

VeriGraphi: A Multi-Agent Framework of Hierarchical RTL Generation for Large Hardware Designs

VeriGraphi：一种用于大规模硬件设计的分层RTL生成多智能体框架

Sazzadul Islam, Tasnim Tabassum, Hao Zheng

机构 * Dept. of Computer Science \& Eng. University of South Florida Tampa, Florida, United States 纠错

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

AI总结 VeriGraphi通过构建基于规范的图谱，解决LLM在生成分层RTL时的结构失真问题，实现可靠生成并保持功能正确性。

Comments 9 pages, 2 figures, Case studies, v2

End-to-End Optimization of LLM-Driven Multi-Agent Search Systems via Heterogeneous-Group-Based Reinforcement Learning

通过异质组强化学习实现LLM驱动的多智能体搜索系统的端到端优化

Guanzhong Chen, Shaoxiong Yang, Chao Li, Wei Liu, Jian Luan, Zenglin Xu

机构 * MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus实验室） ； Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院） 纠错

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

AI总结 本文提出MHGPO方法，通过估计异质组间的相对优势，优化多智能体系统的整体成功而非单个智能体性能，提升了任务表现和计算效率。

Comments Accepted to ACL 2026 Main Conference. 20 pages, 9 figures

The Consensus Trap: Rescuing Multi-Agent LLMs from Adversarial Majorities via Token-Level Collaboration

共识陷阱：通过令牌级协作拯救多智能体大语言模型免受对抗性多数的侵害

Jiayuan Liu, Shiyi Du, Weihua Du, Mingyu Guo, Vincent Conitzer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Foundations of Cooperative AI Lab (FOCAL)（协作人工智能基础实验室（FOCAL）） ； Adelaide University（阿德莱德大学） 纠错

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

AI总结 本文提出令牌级轮询协作方法，通过共享自回归上下文中的序列生成，解决多智能体系统中对抗性多数导致的响应级聚合失效问题，证明其在多种推理基准上具有鲁棒性。

Debate as Reward: A Multi-Agent Reward System for Scientific Ideation via RL Post-Training

辩论作为奖励：一种用于科学构想的多智能体奖励系统通过RL后训练

Moein Salimi, Babak Hosseini Mohtasham, Amin Aghakasiri, Mahdi Naieni, Amir Hossein Qeysarbeigi, Mohammad Masih Shalchian Nazer, Zahra Azar, Mahdi Jafari Siavoshani, Mohammad Hossein Rohban

机构 * Sharif University of Technology（谢里夫理工学院） ； University of Tehran（德黑兰大学） 纠错

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

AI总结 本文提出一种多智能体奖励系统，通过RL后训练提升科学构想的质量，解决奖励黑客问题，实验显示其在新颖性、可行性和有效性上优于现有方法。

A Discordance-Aware Multimodal Framework with Multi-Agent Clinical Reasoning

一种考虑不一致性的多模态框架与多智能体临床推理

Pegah Ahadian, Mingrui Yang, Sixu Chen, Xiaojuan Li, Qiang Guan

机构 * Department of Computer Science（计算机科学系） ； Kent State University（肯特州立大学） ； Department of Biomedical Engineering（生物医学工程系） ； Cleveland Clinic（克利夫兰诊所） 纠错

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

AI总结 本文提出一种结合机器学习模型与多智能体推理系统的多模态框架，用于预测膝骨关节炎的进展并生成临床管理建议。

Multi-Agent Systems: From Classical Paradigms to Large Foundation Model-Enabled Futures

多智能体系统：从经典范式到基于大基础模型的未来

Zixiang Wang, Mengjia Gong, Qiyu Sun, Jing Xu, Shuai Mao, Xin Jin, Qing-Long Han, Yang Tang

机构 * Key Laboratory of Smart Manufacturing in Energy Chemical Process, Ministry of Education, East China University of Science and Technology, Shanghai 200237, China（能源化学过程智能制造重点实验室，教育部，东华大学，上海200237，中国） ； School of Information Science and Engineering, East China University of Science and Technology, Shanghai 200237, China（信息科学与工程学院，东华大学，上海200237，中国） ； School of Electrical Engineering and Automation, Nantong University, Nantong 226019, China（电气工程与自动化学院，南通大学，南通226019，中国） ； Research Institute of Intelligent Complex Systems, Fudan University, Shanghai 200433, China（智能复杂系统研究院，复旦大学，上海200433，中国） ； School of Science, Computing and Engineering Technologies, Swinburne University of Technology, Hawthorn VIC 3122, Australia（科学、计算与工程技术学院，斯威本理工大学，澳大利亚霍桑市VIC 3122） 纠错

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

AI总结 本文综述了多智能体系统从经典范式向基于大基础模型的演进，分析了经典多智能体系统与大基础模型多智能体系统的架构、机制、适应性及应用，展望了未来研究方向与挑战。

Comments Accepted by IEEE/CAA Journal of Automatica Sinica

CADMAS-CTX: Contextual Capability Calibration for Multi-Agent Delegation

CADMAS-CTX: 多智能体委托中的上下文能力校准

Chuhan Qiao

机构 * Beijing JIAOTONG University（北京交通大学） 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CADMAS-CTX框架，通过上下文条件后验概率实现多智能体委托中的能力校准，结合不确定性惩罚提升鲁棒性，实验表明其在GAIA和SWE-bench基准上显著优于静态方法。

SCMAPR: Self-Correcting Multi-Agent Prompt Refinement for Complex-Scenario Text-to-Video Generation

SCMAPR: 自校正多智能体提示精修用于复杂场景文本到视频生成

Chengyi Yang, Pengzhen Li, Jiayin Qi, Aimin Zhou, Ji Wu, Ji Liu

机构 * HiThink Research（HiThink研究院） ； East China Normal University（华东师范大学） ； Guangzhou University（广州大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出SCMAPR框架，通过多智能体分阶段精修提升复杂场景下的文本到视频生成质量，实验表明在VBench和EvalCrafter等基准上平均得分提升显著。

Inter-Agent Relative Representations for Multi-Agent Option Discovery

多智能体选项发现的智能体相对表示

Raul D. Steleac, Mohan Sridharan, David Abel

机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学） 纠错

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

AI总结 本文提出一种多智能体选项发现方法，通过压缩状态空间并保留协调信息，提升多智能体协作能力。

Towards Self-Improving Error Diagnosis in Multi-Agent Systems

迈向多智能体系统中的自改进错误诊断

Jiazheng Li, Emine Yilmaz, Bei Chen, Dieu-Thu Le

机构 * King’s College London（伦敦国王学院） ； Amazon Alexa AI（亚马逊Alexa AI） ； University College London（伦敦大学学院） 纠错

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ErrorProbe框架，通过三阶段流程实现多智能体系统的语义故障归因，利用验证记忆提升跨领域迁移能力，在TracerTraj和Who&When基准测试中表现优异。

Comments 15 pages, 3 figures; accepted at ACL 2026 Findings

Phase-Scheduled Multi-Agent Systems for Token-Efficient Coordination

相调度多智能体系统用于令牌高效协调

Mohit Dubey

机构 * Open Gigantic（开放巨量） 纠错

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

AI总结 本文提出相调度多智能体系统，通过连续控制共享注意力空间实现高效协调，显著降低令牌消耗并保持任务性能。

Comments 8 pages, pre print, 3 figures

Signal or Noise in Multi-Agent LLM-based Stock Recommendations?

多智能体基于LLM的股票推荐中信号还是噪声？

George Fatouros, Kostas Metaxas

机构 * MarketSenseAI 纠错

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

AI总结 本文验证了MarketSenseAI多智能体LLM股票系统在投资组合层面的表现，发现其买入推荐在被动基准和随机选择上具有超额收益，揭示了智能体结构对alpha来源的适应性整合机制。

Comments 22 pages, 10 figures

Safe and Policy-Compliant Multi-Agent Orchestration for Enterprise AI

企业AI中的安全且符合政策的多智能体编排

Vinil Pasupuleti, Shyalendar Reddy Allala, Siva Rama Krishna Varma Bayyavarapu, Shrey Tyagi

机构 * International Business Machines (IBM)（国际商业机器公司（IBM）） ； Global Atlantic Financial（全球大西洋金融） ； Salesforce Inc（Salesforce公司） 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CAMCO框架，通过约束投影引擎、适应性风险加权拉格朗日效用塑造和迭代谈判协议，实现企业AI中多智能体的约束优化编排，有效保障政策合规性与风险控制。

Comments 6 pages, 3 figures, 3 tables, IEEE conference format

A Multi-Agent Approach for Claim Verification from Tabular Data Documents

从表格数据文档中验证声明的多智能体方法

Rudra Ranajee Saha, Laks V. S. Lakshmanan, Raymond T. Ng

机构 * University of British Columbia（不列颠哥伦比亚大学） 纠错

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

AI总结 本文提出多智能体框架MACE，通过规划器、执行器和验证器三个智能体，实现可解释的表格数据验证，实验显示其在多个数据集上达到SOTA性能，且在参数较少时仍表现优异。

Do LLM-derived graph priors improve multi-agent coordination?

基于大语言模型的图先验是否能提升多智能体协调？

Nikunj Gupta, Rajgopal Kannan, Viktor Prasanna

机构 * University of Southern California（南加州大学） ； DEVCOM ARL Army Research Office（美国陆军研究办公室） 纠错

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

AI总结 本文探讨大语言模型能否通过少量自然语言描述推断出多智能体协调的图先验，以提升动态环境中的协调与适应能力。

Graph-of-Agents: A Graph-based Framework for Multi-Agent LLM Collaboration

图-智能体：一种基于图的多智能体LLM协作框架

Sukwon Yun, Jie Peng, Pingzhi Li, Wendong Fan, Jie Chen, James Zou, Guohao Li, Tianlong Chen

机构 * UNC Chapel Hill（UNC夏洛茨维尔分校） ； Eigent AI（Eigent人工智能） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； 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Graph-of-Agents框架，通过节点采样、边构建和消息传递提升多智能体协作效率，仅用3个智能体在多个基准测试中优于使用全部6个智能体的基线方法。

Comments ICLR 2026

Conjunctive Prompt Attacks in Multi-Agent LLM Systems

多智能体大语言模型中的联合提示攻击

Nokimul Hasan Arif, Qian Lou, Mengxin Zheng

机构 * University of Central Florida（中央佛罗里达大学） 纠错

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

AI总结 研究多智能体系统中联合提示攻击的机制与防御，通过路由优化提升攻击成功率并降低误触发率，揭示了智能体流水线的结构性漏洞。

Comments ACL 2026 Main Conference

Semantic Channel Theory: Deductive Compression and Structural Fidelity for Multi-Agent Communication

语义通道理论：多智能体通信的演绎压缩与结构保真

Jianfeng Xu

机构 * Koguan School of Law, China Institute for Smart Justice, School of Computer Science, Shanghai Jiao Tong University（柯关法学院，中国智能正义研究院，计算机科学学院，上海交通大学） 纠错

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

AI总结 本文提出语义通信的严谨框架，结合形式证明系统与香农理论工具，定义语义通道及四种递增语义深度的失真度量，通过显式Datalog实例验证了演绎压缩增益和语义瓶颈现象。

Comments arXiv admin note: text overlap with arXiv:2604.11204

LLM-Based Multi-Agent Systems for Code Generation: A Multi-Vocal Literature Review

基于大语言模型的多智能体系统用于代码生成：多声调文献综述

Zeeshan Rasheeda, Muhammad Waseema, Kai-Kristian Kemella, Mika Saari, Pekka Abrahamsson

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

AI总结 本文通过多声调文献综述分析了大语言模型多智能体系统在代码生成中的应用，总结了其动机、模型、挑战及未来方向。

Comments 34 pages, 2 Figures, Table 11

Scaling External Knowledge Input Beyond Context Windows of LLMs via Multi-Agent Collaboration

通过多智能体协作扩展LLM上下文窗口之外的知识输入

Zijun Liu, Zhennan Wan, Peng Li, Ming Yan, Fei Huang, Yang Liu

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University, Beijing, China（计算机科学与技术系，人工智能研究院，清华大学，北京，中国） ； Institute for AI Industry Research (AIR), Tsinghua University, Beijing, China（人工智能产业研究院（AIR），清华大学，北京，中国） ； Institute of Intelligent Computing, Alibaba Group（智能计算研究院，阿里巴巴集团） 纠错

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ExtAgents框架，通过多智能体协作提升LLM在不延长上下文窗口的情况下整合外部知识的能力，实验证明其在多跳问答和长文本生成任务中优于现有方法。

Comments Accepted to ACL 2026. 31 pages, 10 figures. Code and data are available at https://github.com/THUNLP-MT/ExtAgents

Neural Orchestration for Multi-Agent Systems: A Deep Learning Framework for Optimal Agent Selection in Multi-Domain Task Environments

多智能体系统的神经编排：一种用于多领域任务环境的深度学习框架用于最优智能体选择

Kushagra Agrawal, Nisharg Nargund

机构 * School of Computer Engineering, KIIT Deemed to be University（KIIT大学计算机工程学院） 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MetaOrch框架，通过深度学习实现多领域任务环境中的最优智能体选择，采用监督学习方法结合模糊评估模块，实验显示其在模拟环境中达到86.3%的准确率，优于随机选择和轮询调度等基线方法。

Comments Accepted for Publication at PReMI 2025 - 11th International Conference on Pattern Recognition and Machine Intelligence

Journal ref In: Proceedings of the International Conference on Pattern Recognition and Machine Intelligence (PReMI), Springer-LNCS, 2025

Transparent and Controllable Recommendation Filtering via Multimodal Multi-Agent Collaboration

通过多模态多智能体协作实现透明且可控的推荐过滤

Chi Zhang, Zhipeng Xu, Jiahao Liu, Dongsheng Li, Hansu Gu, Peng Zhang, Ning Gu, Tun Lu

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

AI总结 本文提出一种结合端到云协作、多模态感知和多智能体编排的框架，有效减少推荐系统中的过度关联和误报，提升用户控制和透明度。

Comments 14 pages, under review

GLo-MAPPO: Multi-Agent Deep Reinforcement Learning for Energy-Efficient UAV-Assisted LoRa Networks

GLo-MAPPO：面向节能的无人机辅助LoRa网络多智能体深度强化学习

Abdullahi Isa Ahmed, Jamal Bentahar, El Mehdi Amhoud

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

AI总结 本文提出GLo-MAPPO框架，通过多无人机作为移动LoRa网关，解决动态环境中LoRa网络能耗问题，采用联合优化问题和POSG模型提升系统能量效率。

Comments 15 pages, 18 figures, 5 tables, Journal

SkillGraph: Self-Evolving Multi-Agent Collaboration with Multimodal Graph Topology

SkillGraph: 基于多模态图拓扑的自进化多智能体协作

Zheng Nie, Ruolin Shen, Xinlei Yu, Bo Yin, Jiangning Zhang, Xiaobin Hu

机构 * National University of Singapore, Singapore（新加坡国立大学） ； Technical University of Munich, Munich, Germany（慕尼黑技术大学） ； Zhejiang University, China（浙江大学） 纠错

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

AI总结 SkillGraph通过联合进化智能体能力与通信拓扑，解决视觉多智能体系统中固定拓扑和静态推理能力的问题，提升协作效率。

Agentic Risk-Aware Set-Based Engineering Design

代理风险感知的集束工程设计

Varun Kumar, George Em Karniadakis

机构 * School of Engineering, Brown University（布朗大学工程学院） ； Division of Applied Mathematics, Brown University（布朗大学应用数学系） 纠错

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

AI总结 本文提出基于大语言模型的多代理框架，用于工程设计早期阶段，通过集束设计哲学和风险管理，自动化探索并筛选设计候选方案，提升决策能力。

Aether: Network Validation Using Agentic AI and Digital Twin

Aether：利用代理AI和数字孪生进行网络验证

Jordan Auge, Sam Betts, Giovanna Carofiglio, Giulio Grassi, Martin Gysi, John Kenneth d'Souza

机构 * Cisco Systems（思科系统） ； Swisscom（瑞士通讯） 纠错

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

AI总结 本文提出Aether，结合生成代理AI与多功能网络数字孪生，自动化网络变更验证流程，提升验证效率与准确性，减少人工错误。

Comments 12 pages, 6 figures

QRAFTI: An Agentic Framework for Empirical Research in Quantitative Finance

QRAFTI：量化金融领域实证研究的代理框架

Terence Lim, Kumar Muthuraman, Michael Sury

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

AI总结 QRAFTI框架通过整合面板数据研究工具与MCP服务器，支持对大规模金融面板数据进行因子研究，可复现已有因子、测试新信号并生成标准化报告。

AgentGuard: A Multi-Agent Framework for Robust Package Confusion Detection via Hybrid Search and Metadata-Content Fusion

AgentGuard: 一种基于混合搜索和元数据-内容融合的多智能体框架用于鲁棒的包混淆检测

Yu Li, Wei Ma, Zhi Chen, Ye Liu, Lingxiao Jiang, Junyi Tao, Hao Liu, Yongqiang Lyu, Qiang Hu

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

AI总结 AgentGuard通过融合元数据和内容分析，结合混合相似性搜索，有效降低误报率，优于现有方法，提升检测精度。

Designing Explainable Conversational Agentic Systems for Guaraní Speakers

为瓜拉尼语使用者设计可解释的对话代理系统

Samantha Adorno, Akshata Kishore Moharir, Ratna Kandala

机构 * University of Kansas（堪萨斯大学） ； Independent Researcher（独立研究员） ； Lawrence, Kansas, USA（堪萨斯州劳伦斯市） ； Sherwood, Oregon, USA（俄勒冈州谢尔伍德市） 纠错

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

AI总结 本文探讨了为瓜拉尼语使用者设计可解释的对话代理系统，提出以口语优先的多代理架构，强调尊重原住民数据主权和双语现象，推动AI文化扎根。

Comments Accepted at HCXAI conference, ACM CHI 2026