AI Agent

Open Challenges in Multi-Agent Security: Towards Secure Systems of Interacting AI Agents

多智能体安全中的开放挑战：迈向交互式AI智能体的安全系统

Christian Schroeder de Witt, Klaudia Krawiecka, Igor Krawczuk, Ben Hagag, William L. Anderson, Peter Belcak, Ben Bucknall, Xiaohong Cai, Ayush Chopra, Doron Cohen, Ron F. Del Rosario, Andis Draguns, Annie Gray, Keren Katz, Vasilios Mavroudis, Jaron Mink, Sumeet Ramesh Motwani, Jonathan Petit, Leif-Sebastian Rembeck, Chandler Smith, John Sotiropoulos, Steven Young, Sarah Scheffler, Mary Llewellyn

机构 * Oxford Witt Lab, University of Oxford（牛津Witt实验室，牛津大学） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Association for Computing Machinery (ACM)（计算机协会（ACM）） ； Independent（独立） ； MATS Research（MATS研究） ； CyLab Security & Privacy Institute, Carnegie Mellon University（CyLab安全与隐私研究所，卡内基梅隆大学） ； Qualcomm Inc.（高通公司） ； Oxford Martin AI Governance Initiative（牛津马丁人工智能治理倡议） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT Media Lab（麻省理工媒体实验室） ； SAP SE（SAP德国分公司） ； OWASP GenAI Security Project - Agentic Security Initiative（OWASP生成式AI安全项目-代理安全倡议） ； Contramont Research（Contramont研究） ； The Alan Turing Institute（艾伦·图灵研究所） ； Department of Economics, New York University（纽约大学经济系） ； Zenity（Zenity公司） ； King’s College London（伦敦国王学院） ； Arizona State University（亚利桑那州立大学） ； Torr Vision Group, University of Oxford（托尔视觉组，牛津大学） ； Deep Cyber Ltd（Deep Cyber有限公司） 纠错

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

AI总结 本文探讨多智能体交互带来的安全挑战，提出多智能体安全新领域，旨在解决智能体间及与人类、机构的交互中出现的安全问题，分析安全与效用、安全与安全之间的权衡。

OxyGent: Making Multi-Agent Systems Modular, Observable, and Evolvable via Oxy Abstraction

OxyGent：通过Oxy抽象使多智能体系统模块化、可观察和可进化

Junxing Hu, Tianlong Li, Lei Yu, Ai Han

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

AI总结 OxyGent通过Oxy抽象和OxyBank引擎，实现多智能体系统的模块化、可观察性和可进化性，通过统一抽象和动态规划提升可扩展性和可观测性，实验证明其在复杂工业环境中的鲁棒性和可扩展性。

Comments 10 pages, 10 figures, ACL 2026 System Demonstration track

SecMate: Multi-Agent Adaptive Cybersecurity Troubleshooting with Tri-Context Personalization

SecMate：基于三重上下文个性化多智能体网络安全故障排查

Yair Meidan, Omri Haller, Yulia Moshan, Shahaf David, Dudu Mimran, Yuval Elovici, Asaf Shabtai

机构 * Ben-Gurion University of the Negev（贝加尔-戈里昂大学） 纠错

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

AI总结 SecMate通过整合设备、用户和服务特定性，利用轻量级本地诊断工具和隐式技能推断，提升网络安全故障排查的准确性和用户满意度。

I Would If I Could: Reasoning about Dynamics of Actions in Multi-Agent Systems

若我能的话：多智能体系统中行动动态的推理

Rustam Galimullin, Hermine Grosinger, Munyque Mittelmann

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

AI总结 本文提出ATL-D和ATEL-D，用于建模智能体行动的动态授予与撤销过程及其对知识的影响，探讨了逻辑表达力、规范系统关系及计算复杂性。

Comments This is an extended version of the paper with the same title that will appear in KR 2026, and which contains a technical appendix with proof details

TDD Governance for Multi-Agent Code Generation via Prompt Engineering

通过提示工程实现多智能体代码生成的TDD治理

Tarlan Hasanli, Shahbaz Siddeeq, Bishwash Khanal, Pyry Kotilainen, Tommi Mikkonen, Pekka Abrahamsson

机构 * University of Jyväskylä（于韦斯屈莱大学） ； Tampere University（塔尔基尔大学） 纠错

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

AI总结 本文提出一种AI原生的TDD框架，通过结构化提示和工作流程治理机制将经典TDD原则形式化，提升LLM辅助开发的稳定性与可重复性。

Comments 5 pages. Submitted to the 1st International Workshop on Empirical Prompt Engineering for Software Engineering (PROMPT-SE 2026)

A Survey of Multi-Agent Deep Reinforcement Learning with Graph Neural Network-Based Communication

多智能体深度强化学习中基于图神经网络的通信方法综述

Valentin Cuzin-Rambaud, Laetitia Matignon, Maxime Morge

机构 * Université Lyon 1, INSA Lyon, CNRS, LIRIS, UMR 5205（里昂1大学，里昂国立应用科学学院，国家科学研究中心，LIRIS，UMR 5205） 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 本文综述了基于图神经网络的多智能体强化学习通信方法，提出通用通信过程以明确方法核心思想。

Journal ref Rencontres des Jeunes Chercheurs en Intelligence Artificielle (RJCIA), Plate-Forme Intelligence Artificielle (PFIA), Jun 2026, Arras, France

Preserving Disagreement: Architectural Heterogeneity and Coherence Validation in Multi-Agent Policy Simulation

保持分歧：多智能体政策模拟中的架构异质性与一致性验证

Ariel Sela

机构 * Ariel Sela 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AI委员会框架，通过120次模拟测试两种干预措施，发现架构异质性可减少一致性，但一致性验证在不同场景下产生分歧-多样性权衡。

Comments 14 pages, 7 tables, 120 deliberations across 2 policy scenarios

A Systematic Comparison of Prompting and Multi-Agent Methods for LLM-based Stance Detection

基于大语言模型的立场检测中提示与多智能体方法的系统比较

Genan Dai, Zini Chen, Yi Yang, Bowen Zhang

机构 * School of Artificial Intelligence, Shenzhen Technology University（人工智能学院，深圳技术大学） 纠错

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

AI总结 本文系统比较了提示和多智能体方法在大语言模型立场检测中的表现，评估了五种方法在四个数据集14个子任务上的性能，发现提示方法在多数模型上表现更优，且模型规模对性能影响大于方法选择。

A Survey of Safe Reinforcement Learning and Constrained MDPs: A Technical Survey on Single-Agent and Multi-Agent Safety

安全强化学习与约束马尔可夫决策过程的综述：单智能体和多智能体安全的技术综述

Ankita Kushwaha, Kiran Ravish, Preeti Lamba, Pawan Kumar

机构 * International Institute of Information Technology, Hyderabad, India（国际信息科技研究所，印度海得拉巴） ； Meta SuperIntelligence, USA（Meta超智能，美国） 纠错

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

AI总结 本文综述了安全强化学习和约束马尔可夫决策过程，涵盖单智能体和多智能体安全方法，总结了理论基础和最新算法，并提出五个开放性问题以推动该领域发展。

Comments 25

How Personal Characteristics Shape User Exploration of Diverse Movie Recommendations with a LLM-Based Multi-Agent System

个人特征如何塑造用户探索多样化电影推荐的多智能体系统

Yufan Zhou, Yirui Huang, Zhao Wang, Yucheng Jin

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

AI总结 本文研究了基于LLM的多智能体系统如何支持用户探索多样化推荐，探讨个人特征对用户体验的影响，发现多智能体系统提升新颖性和多样性，性格特质和AI经验影响感知准确性与多样性。

Comments 11 pages, 2 figures. Accepted by UMAP '26 (34th ACM International Conference on User Modeling, Adaptation and Personalization)

MoltGraph: A Longitudinal Temporal Graph Dataset of Moltbook for Coordinated-Agent Detection

MoltGraph: 一个用于协调代理检测的长周期时间图数据集

Kunal Mukherjee, Cuneyt Gurcan Akcora, Murat Kantarcioglu

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

AI总结 MoltGraph通过长周期时间图数据集研究代理行为、协调和演化，揭示了动态网络中的连接性、枢纽形成、协调事件爆发及曝光效应。

Comments Accepted for publication at 1st ACM Conference on AI and Agentic Systems (ACM CAIS 2026)

Lightweight Quantum Agent for Edge Systems: Joint PQC and NOMA Resource Allocation

轻量级量子代理用于边缘系统：联合PQC和NOMA资源分配

Yongtao Yao, Wenjing Xiao, Miaojiang Chen, Anfeng Liu, Zhiquan Liu, Min Chen, Ahmed Farouk, H. Herbert Song

机构 * School of Computer, Electronics and Information, Guangxi University（广西大学计算机电子与信息学院） ； Guangxi Key Laboratory of Multimedia Communications and Network Technology（广西多媒体通信与网络技术重点实验室） ； School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院） ； College of Cyber Security, Jinan University（暨南大学网络安全学院） ； School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院） ； Pazhou Laboratory（琶洲实验室） ； Faculty of Computers and Artificial Intelligence, Hurghada University（Hurghada大学计算机与人工智能学院） ； Department of Information Systems, University of Maryland, Baltimore County (UMBC)（美国马里兰大学巴尔的摩县分校信息系统系） 纠错

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

AI总结 本文提出一种轻量级量子代理框架，用于边缘设备的联合优化。通过构建多阶段随机混合整数非线性规划模型，结合PQC模块的静态能耗约束，利用Lyapunov优化理论解决NOMA功率分配的非凸问题，提升计算吞吐量并确保系统队列稳定性。

Never say never: Exploring the effects of available knowledge on agent persuasiveness in controlled physiotherapy motivation dialogues

不要说永远：探索可用知识对代理说服力的影响在受控的物理治疗动机对话中

Stephan Vonschallen, Rahel Häusler, Theresa Schmiedel, Friederike Eyssel

机构 * Institute of Business Information Technology, Zurich University of Applied Sciences, Switzerland（瑞士应用科学大学商业信息技术学院） ； Institute for Information Systems, University of Applied Sciences and Arts Northwestern Switzerland（西北瑞士应用科学大学信息系统研究所） ； Center for Cognitive Interaction Technology, Bielefeld University, Germany（比勒菲尔德大学认知交互技术中心） 纠错

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

AI总结 本文研究了可用知识如何影响代理在物理治疗动机对话中的说服力，通过比较ChatGPT生成的回应，发现知识配置显著提升了代理的说服力和表达力。

Principled Learning-to-Communicate with Quasi-Classical Information Structures

基于准经典信息结构的原理化学习-通信

Xiangyu Liu, Haoyi You, Kaiqing Zhang

机构 * University of Maryland, College Park, MD, USA（马里兰大学） 纠错

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

AI总结 本文通过信息结构框架，探讨了在部分可观测环境中学习通信的原理，提出准经典学习-通信的条件和算法，建立了准多项式时间复杂度的规划与学习方法。

Comments Preliminary version appeared at IEEE CDC 2025

The Alignment Flywheel: A Governance-Centric Hybrid MAS for Architecture-Agnostic Safety

对齐飞轮：一种以治理为中心的混合MAS架构用于架构无关的安全性

Elias Malomgré, Pieter Simoens

机构 * IDLab, Ghent University - imec, Belgium（ID实验室，根特大学-imec，比利时） 纠错

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

AI总结 本文提出一种以治理为中心的混合MAS架构，通过分离决策生成与安全治理，解决自主决策组件部署后的安全行为透明性问题，采用补丁局部性原则实现安全故障的低成本修复。

Comments Accepted for the EMAS workshop at AAMAS 2026

RetroMotion: Retrocausal Motion Forecasting Models are Instructable

RetroMotion：逆因果运动预测模型具有可指导性

Royden Wagner, Omer Sahin Tas, Felix Hauser, Marlon Steiner, Dominik Strutz, Abhishek Vivekanandan, Jaime Villa, Yinzhe Shen, Carlos Fernandez, Christoph Stiller

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究中心） ； University Charles III of Madrid（马德里第三大学） 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RetroMotion模型，通过分解多代理运动预测为边际分布和联合分布，利用Transformer生成联合分布，实现信息逆向流动，有效提升预测精度，并在多个数据集上表现优异。

Comments CVPRW26

Split over $n$ resource sharing problem: Are fewer capable agents better than many simpler ones?

在n个资源分配问题中：更少有能力的代理更好还是更多简单的代理？

Karthik Soma, Mohamed S. Talamali, Genki Miyauchi, Giovanni Beltrame, Heiko Hamann, Roderich Gross

机构 * MIST lab, École Polytechnique de Montréal, Montreal, Canada（蒙特利尔理工学院MIST实验室） ； School of Electrical and Electronic Engineering, The University of Sheffield, Sheffield, UK（谢菲尔德大学电子与电气工程学院） ； Department of Computer and Information Science, University of Konstanz, Konstanz, Germany（康斯坦茨大学计算机与信息科学系） ； Department of Computer Science, Technical University of Darmstadt, Darmstadt, Germany（德累斯顿技术大学计算机科学系） 纠错

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

AI总结 研究探讨了在多代理系统中，资源应集中于少数有能力的代理还是分散给众多简单代理的问题，通过分析发现初始覆盖率随n增加而提升，但代理速度若与半径成比例下降，则所有大小的群体表现相同，若与足迹成比例下降，则单个代理最优。

Comments Short paper presented at the 15th International Conference on Swarm Intelligence (ANTS 2026)

A Scaled Three-Vehicle Platooning Platform

一个缩放的三车编队平台

Kaiyue Lu, Qiaoxuan Zhang, Yukun Lu

机构 * Dept. of Mechanical Engineering, University of New Brunswick（新不伦瑞克大学机械工程系） 纠错

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

AI总结 本文提出一个缩放的三车编队平台，用于研究协同控制与人机协同自主性，通过控制和可重复的实验提升编队稳定性与路径跟踪性能。