AI Agent

When AI Agents Learn from Each Other: Insights from Emergent AI Agent Communities on OpenClaw for Human-AI Partnership in Education

当AI代理互相学习：来自OpenClaw上新兴AI代理社区的见解，以促进人机协作教育

Eason Chen, Ce Guan, Zhonghao Zhao, Joshua Zekeri, Afeez Edeifo Shaibu, Emmanuel Osadebe Prince, Cyuan-Jhen Wu, A Elshafiey

机构 * Carnegie Mellon University, USA（卡内基梅隆大学，美国） ； GiveRep Labs, Virgin Islands (British)（GiveRep实验室，英属维尔京群岛） ； Sui Foundation, Cayman Islands（Sui基金会，开曼群岛） 纠错

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

AI总结 本文探讨了AI代理社区中涌现的学习行为，揭示了双向支架过程、同伴学习、共享记忆架构及信任动态等现象，为多代理教育系统设计提供启示。

Comments 15 pages. Paper accepted at AIED 2026 bluesky

Reliable Self-Harm Risk Screening via Adaptive Multi-Agent LLM Systems

通过自适应多智能体LLM系统实现可靠的自伤风险筛查

Meghana Karnam, Ananya Joshi

机构 * Johns Hopkins University（约翰霍普金斯大学） 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 本文提出一种基于有向无环图的统计框架，通过自适应采样策略提升自伤风险评估的可靠性，实验表明其在精度和召回率上优于传统方法。

AdaFair-MARL: Enforcing Adaptive Fairness Constraints in Multi-Agent Reinforcement Learning

AdaFair-MARL：在多智能体强化学习中强制适应性公平性约束

Promise Ekpo, Saesha Agarwal, Felix Grimm, Lekan Molu, Angelique Taylor

机构 * Cornell Tech（康奈尔科技） ； Cornell University（康奈尔大学） ； Bala-Cynwyd, PA, USA（巴拉-辛威德, 美国宾夕法尼亚州） 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AdaFair-MARL框架，通过将工作负载公平性作为显式约束，使智能体在优化团队性能的同时保持贡献平衡，实验表明其在医院协调环境中的有效性。

Recent Advances in Multi-Agent Human Trajectory Prediction: A Comprehensive Review

多智能体人类轨迹预测的最新进展：综合性综述

Céline Finet, Stephane Da Silva Martins, Jean-Bernard Hayet, Ioannis Karamouzas, Javad Amirian, Sylvie Le Hégarat-Mascle, Julien Pettré, Emanuel Aldea

机构 * INRIA Rennes（INRIA里昂） ； SATIE - CNRS Université Paris-Saclay（SATIE-CNRS巴黎-萨克莱大学） ； Centro de Investigación en Matemáticas Guanajuato, México（瓜尼亚托数学研究所，墨西哥） ； University of California, Riverside（加州大学河滨分校） ； Sorbonne Université, Paris（索邦大学，巴黎） ； Department of Computer Science（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.LG

AI总结 综述近期深度学习在多智能体轨迹预测中的进展，聚焦2020-2025年研究，分类讨论架构设计、输入表示及预测策略，并强调ETH/UCY基准测试中的模型评估及未来研究方向。

Comments 40 pages

Efficient Multi-Agent System Training with Data Influence-Oriented Tree Search

高效多智能体系统训练中的数据影响导向树搜索

Wentao Shi, Zichun Yu, Fuli Feng, Xiangnan He, Chenyan Xiong

机构 * University of Science and Technology of China（中国科学技术大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出数据影响导向树搜索框架，通过影响评分指导树搜索和数据选择，提升多智能体系统训练效率与效果。

Comments Accepted by ACL 2026 Main;

Seeing the Whole Elephant: A Benchmark for Failure Attribution in LLM-based Multi-Agent Systems

看见整个象：面向基于大语言模型的多智能体系统故障归因的基准测试

Mengzhuo Chen, Junjie Wang, Fangwen Mu, Yawen Wang, Zhe Liu, Huanxiang Feng, Qing Wang

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

AI总结 本文提出TraceElephant基准测试，通过完整执行轨迹和可复现环境提升故障归因准确性，验证完整轨迹对故障原因识别的重要性。

Comments Accepted by ACL 2026

Automation-Exploit: A Multi-Agent LLM Framework for Adaptive Offensive Security with Digital Twin-Based Risk-Mitigated Exploitation

自动化-漏洞利用：一种多智能体LLM框架，用于基于数字孪生的自适应进攻性安全与风险缓解漏洞利用

Biagio Andreucci, Arcangelo Castiglione

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

AI总结 本文提出自动化-漏洞利用框架，通过多智能体系统在复杂黑盒场景中实现自适应进攻性安全，利用数字孪生技术缓解风险，有效解决内存漏洞等安全问题。

Control of Multi-agent Systems under STL Specifications based on Prescribed Performance Observers

基于预设性能观测器的STL规范下多智能体系统的控制

Tommaso Zaccherini, Siyuan Liu, Dimos V. Dimarogonas

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

AI总结 本文研究了在有界外部扰动和通信受限条件下，满足协作信号时序逻辑规范的多智能体系统去中心化控制问题，提出k跳预设性能状态观测器以估计非直接通信邻居的状态并保证误差界。

Comments arXiv admin note: text overlap with arXiv:2602.05586. text overlap with arXiv:2602.05586

Multi-Agent Consensus as a Cognitive Bias Trigger in Human-AI Interaction

多智能体共识作为人类与人工智能交互中的认知偏差触发器

Soohwan Lee, Kyungho Lee

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

AI总结 研究探讨多智能体系统中共识机制对人类判断的影响，发现多数共识加速意见变化并提升自信，而少数反对则促进更深入的思考，揭示了智能体共识结构在人类与AI交互中的偏差相关信号作用。

Comments ACM CHI 2026 Workshop on Understanding, Mitigating, and Leveraging Cognitive Biases to Calibrate Trust in Evolving AI Systems (CHI'26 Bias4Trust)

Sparse shepherding control of large-scale multi-agent systems via Reinforcement Learning

通过强化学习实现大规模多智能体系统的稀疏引导控制

Luigi Catello, Italo Napolitano, Davide Salzano, Mario di Bernardo

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

AI总结 本文提出基于强化学习的稀疏间接控制框架，通过少量受控智能体引导大量未受控智能体的集体行为，结合ODE与PDE模型，实现微观控制到宏观目标的转换，验证了基于学习的稀疏控制在鲁棒性和效率上的优势。

Superminds Test: Actively Evaluating Collective Intelligence of Agent Society via Probing Agents

超级心智测试：通过探测代理主动评估代理社会的集体智慧

Xirui Li, Ming Li, Yunze Xiao, Ryan Wong, Dianqi Li, Timothy Baldwin, Tianyi Zhou

机构 * University of Maryland（马里兰大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 研究通过Superminds测试评估代理社会的集体智慧，发现规模扩大并未带来集体智慧，交互浅显是主要限制因素。

Cost-Effective Communication: An Auction-based Method for Language Agent Interaction

高效通信：一种基于拍卖的语言代理交互方法

Yijia Fan, Jusheng Zhang, Kaitong Cai, Jing Yang, Chengpei Tang, Jian Wang, Keze Wang

机构 * Sun Yat-sen University（中山大学） ； Snap Inc. ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东省大数据分析与处理重点实验室） 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DALA框架，通过将通信带宽视为稀缺资源，解决多代理系统中通信低效问题，实验表明其在多个基准测试中表现优异。

From Skills to Talent: Organising Heterogeneous Agents as a Real-World Company

从技能到人才：将异构智能体组织成现实世界的企业

Zhengxu Yu, Yu Fu, Zhiyuan He, Yuxuan Huang, Lee Ka Yiu, Meng Fang, Weilin Luo, Jun Wang

机构 * HUAWEI Noah’s Ark Lab（华为诺亚实验室） ； University College London（伦敦大学学院） ； University Liverpool（利物浦大学） 纠错

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

AI总结 本文提出OneManCompany框架，通过引入Talent市场和E²R树搜索，将多智能体系统提升至组织层面，实现动态招聘和自适应改进，提升任务完成效率。

Comments 33 pages,13 figures

Bolzano: Case Studies in LLM-Assisted Mathematical Research

Bolzano：大语言模型辅助数学研究的案例研究

Martin Balko, Jan Grebík, Pavel Hubáček, Martin Koutecký, Matěj Kripner, Václav Rozhoň, Robert Šámal, Adrián Zámečník

机构 * Computer Science Institute, Charles University（查尔斯大学计算机科学研究所） ； Institute of Mathematics, Czech Academy of Sciences（捷克科学院数学研究所） ； Institute of Formal and Applied Linguistics, Charles University（查尔斯大学形式与应用语言学研究所） ； Department of Applied Mathematics, Charles University（查尔斯大学应用数学系） 纠错

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

AI总结 本文通过八个数学和理论计算机科学问题，展示Bolzano系统如何通过多代理交互生成可发表的研究成果，其中五项几乎完全自主完成。

Comments 33 pages, 1 figure. Project page: https://bolzano.app

When Quotes Crumble: Detecting Transient Mechanical Liquidity Erosion in Limit Order Books

当引文崩塌：在限价订单簿中检测短暂的机械流动性侵蚀

Haohan Xu, Jason Bohne, Pawel Polak, Yurij Baransky, Ajay Alva, Violetta Fedotova, Gary Kazantsev, David Rosenberg

机构 * Stony Brook University（石溪大学） ； Bloomberg（贝莱德） 纠错

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

AI总结 研究通过ABIDES仿真器构建多智能体环境，利用订单簿特征开发检测框架，训练神经网络提高对机械流动性侵蚀的识别能力，实验显示框架在不同市场条件下均能有效识别崩塌事件。

Comments 10 pages, 4 figures. Accepted at ICLR 2026 Workshop on Advances in Financial AI

AutoReproduce: Automatic AI Experiment Reproduction with Paper Lineage

AutoReproduce：基于论文溯源的自动AI实验复现

Xuanle Zhao, Zilin Sang, Yuxuan Li, Qi Shi, Weilun Zhao, Shuo Wang, Duzhen Zhang, Xu Han, Zhiyuan Liu, Maosong Sun

机构 * Tsinghua University（清华大学） ； Xidian University（西安电子科技大学） ； OpenBMB（开放大脑实验室） ； University of the Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 本文提出AutoReproduce，通过论文溯源系统自动复现实验代码，采用多智能体框架和采样单元测试策略，验证了其在复现精度和执行性能上的优势。

Comments Accepted by ACL 2026 Main

Multi-robot obstacle-aware shepherding of non-cohesive target agents

多机器人障碍感知的非凝聚力目标群体引导

Cinzia Tomaselli, Stefano Covone, Andreagiovanni Reina, Mario di Bernardo

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

AI总结 本文提出一种多机器人引导非凝聚力目标群体的新策略，通过斥力交互和混合控制策略，使目标在障碍环境中更高效地绕过障碍并被引导至目标区域，实验验证了方法的有效性。

Comments Accepted at ICRA 2026

Interplay of inertia and external forcing in Kuramoto model

惯性与外部驱动在Kuramoto模型中的相互作用

Pratishtha Agnihotri, Sarika Jalan

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

AI总结 研究揭示了外部驱动与内在双模频率分布的竞争如何抑制双模KMI的中间驻波状态，通过将振子同步到外部驱动。通过自洽分析框架，发现双模分布中驱动使反向转变断续，不同于单模情况的连续转变。