AI Agent

FlowSteer: Prompt-Only Workflow Steering Exposes Planning-Time Vulnerabilities in Multi-Agent LLM Systems

FlowSteer：仅凭提示的流程引导揭示多智能体LLM系统的规划时间漏洞

Fanxiao Li, Jiaying Wu, Tingchao Fu, Natasha Jaques, Wei Zhou, Min-Yen Kan

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

AI总结 研究通过社会影响探测工作流识别高影响子任务，揭示恶意信号传播漏洞，提出FlowSteer攻击方法提升恶意成功率，并引入FlowGuard防御机制降低攻击效果。

Social Theory Should Be a Structural Prior for Agentic AI: A Formal Framework for Multi-Agent Social Systems

社会理论应为代理AI的结构先验：多代理社会系统的正式框架

Lynnette Hui Xian Ng, Iain J. Cruickshank, Adrian Xuan Wei Lim, Kathleen M. Carley

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

AI总结 本文提出多代理社会系统框架，主张将社会理论作为结构先验，以指导代理AI的行为建模与系统治理。

Alternating Target-Path Planning for Scalable Multi-Agent Coordination

可扩展多智能体协调的交替目标路径规划

Yu Kumagai, Keisuke Okumura

机构 * Hitotsubashi University, Japan（日本立命堂大学） ； National Institute of Advanced Industrial Science and Technology (AIST), Japan（日本国家先进工业科学和技术研究院） 纠错

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

AI总结 本文提出一种迭代优化框架，将目标分配与路径规划解耦，利用高效MAPF求解器实现可扩展的多智能体协同路径规划，有效提升大规模TAPF问题的求解能力。

Learning to Communicate Locally for Large-Scale Multi-Agent Pathfinding

为大规模多智能体路径规划学习本地通信

Valeriy Vyaltsev, Alsu Sagirova, Anton Andreychuk, Oleg Bulichev, Yuri Kuratov, Konstantin Yakovlev, Aleksandr Panov, Alexey Skrynnik

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

AI总结 本文提出LC-MAPF，通过多轮本地通信提升多智能体协作，优于现有基于强化学习和模仿学习的MAPF求解器，且保持可扩展性。

Distributed Quantum Gaussian Processes for Multi-Agent Systems

分布式量子高斯过程用于多智能体系统

Meet Gandhi, George P. Kontoudis

机构 * Colorado School of Mines（科罗拉多理工学院） 纠错

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

AI总结 本文提出分布式量子高斯过程方法，通过量子计算提升多智能体系统的建模能力和扩展性，采用分布式共识黎曼交替方向乘子法解决非欧几里得优化问题。

Comments 9 pages, 4 figures, accepted at AAMAS 2026 (International Conference on Autonomous Agents and Multiagent Systems)

Journal ref 2026 International Conference on Autonomous Agents and Multiagent Systems

SANet: A Semantic-aware Agentic AI Networking Framework for Cross-layer Optimization in 6G

SANet：一种面向6G跨层优化的语义感知代理AI网络框架

Yong Xiao, Xubo Li, Haoran Zhou, Yingyu Li, Yayu Gao, Guangming Shi, Ping Zhang, Marwan Krunz

机构 * the School of Electronic Information and Communications, the Huazhong University of Science and Technology, Wuhan, China（电子信息学院，华中科技大学，武汉，中国） ； the Peng Cheng Laboratory, Shenzhen, China（鹏城实验室，深圳，中国） ； the School of Mechanical Engineering and Electronic Information, China University of Geosciences (Wuhan), China（机械工程与电子信息学院，中国地质大学（武汉），中国） ； the State Key Laboratory of Networking and Switching（网络与交换技术国家重点实验室） 纠错

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

AI总结 本文提出SANet，一种语义感知的代理AI网络架构，通过推断用户语义目标并自动分配不同网络层的代理以实现目标，解决多代理多目标优化问题，实验显示性能提升达14.61%。

Comments Accepted at IEEE Transactions on Mobile Computing

Journal ref IEEE Transactions on Mobile Computing, 2026

Control Charts for Multi-agent Systems

多智能体系统的控制图

Hayden Helm, Carey Priebe, Brandon Duderstadt

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Calcifer Computing（Calcifer公司） 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 本文提出基于适应性控制图的多智能体系统监控方法，通过仿真展示其在学习环境中的必要性，并揭示对抗性智能体对系统安全性的根本矛盾。

No Action Without a NOD: A Heterogeneous Multi-Agent Architecture for Reliable Service Agents

没有NOD就没有行动：一种异质多智能体架构用于可靠的服务代理

Zixu Yang, Hang Zheng, Nan Jiang, Zhiyang Tang, Situo Zhang, Xiaobao Wu, Lu Chen, Kai Yu

机构 * X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（X-LANCE实验室，计算机科学学院，上海交通大学，上海，中国） ； Shanghai Innovation Institution, Shanghai, China（上海创新机构，上海，中国） ； Jiangsu Key Lab of Language Computing, Suzhou, China（江苏省语言计算重点实验室，苏州，中国） 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NOD架构，通过外部化全局状态和选择性外部监督，提升服务代理在长周期任务中的可靠性，实验表明其在任务成功率和关键动作精度上优于基线方法。

Adaptive TD-Lambda for Cooperative Multi-agent Reinforcement Learning

自适应TD-λ用于合作多智能体强化学习

Yue Deng, Zirui Wang, Yin Zhang

机构 * Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

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

AI总结 本文提出自适应TD(λ)方法，通过参数化无偏密度比估计器和双回放缓冲区解决多智能体强化学习中策略分布计算问题，实验证明其在SMAC和Gfootball场景中优于传统方法。

UTS at PsyDefDetect: Multi-Agent Councils and Absence-Based Reasoning for Defense Mechanism Classification

在PsyDefDetect上使用UTS：多智能体委员会与基于缺席的推理用于防御机制分类

Dima Galat, Marian-Andrei Rizoiu

机构 * University of Technology Sydney（技术大学悉尼） 纠错

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

AI总结 本文提出利用DMRS对情感支持对话中的防御机制进行分类，通过多阶段 deliberative 委员会架构，采用特定类别的倡导者评估证据强度，实现F1 0.382的高精度，同时通过针对性的重写集提升F1至0.410。

OpsAgent: An Evolving Multi-agent System for Incident Management in Microservices

OpsAgent：一种用于微服务中 incident 管理的演进多智能体系统

Yu Luo, Jiamin Jiang, Jingfei Feng, Lei Tao, Qingliang Zhang, Xidao Wen, Yongqian Sun, Shenglin Zhang, Dan Pei

机构 * Nankai University（南开大学） ； Alibaba Cloud（阿里云） ； Lenovo（联想） ； 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 OpsAgent，一种轻量级自演进多智能体系统，通过训练自由数据处理器将异构可观测数据转化为结构化文本描述，并结合多智能体协作框架实现诊断推理的透明性和可审计性，实验证明其在微服务系统中的泛化性、可解释性和成本效益。

Beyond Inefficiency: Systemic Costs of Incivility in Multi-Agent Monte Carlo Simulations

超越低效：多智能体蒙特卡洛模拟中不文明行为的系统性成本

Alison Moldovan-Mauer, Benedikt Mangold

机构 * Technische Hochschule Nürnberg（纽伦堡技术大学） 纠错

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

AI总结 研究通过多智能体蒙特卡洛模拟探讨不文明行为对交互效率的影响，发现参数较少的模型收敛延迟更显著，并发现先发优势在不同毒性条件下均显著。

OptArgus: A Multi-Agent System to Detect Hallucinations in LLM-based Optimization Modeling

OptArgus：一种多智能体系统用于检测基于大语言模型的优化建模中的幻觉

Zhong Li, Zihan Guo, Xiaohan Lu, Juntao Wang, Jie Song, Chao Shen, Jiageng Wu, Mingyang Sun

机构 * Great Bay University（大湾大学） ； Peking University（北京大学） ； Jilin University（吉林大学） ； Zhejiang University（浙江大学） ； Shenzhen Loop Area Institute（深圳河套学院） 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OptArgus多智能体系统，通过细粒度幻觉分类法检测优化建模中的错误，通过三部分基准测试验证其在清洁、控制和自然生成 artifact 上的准确性与可靠性。

Robust Multi-Agent Path Finding under Observation Attacks: A Principled Adversarial-Plus-Smoothing Training Recipe

在观察攻击下的鲁棒多智能体路径寻找：一种基于对抗性加平滑训练的原理性配方

Riad Ahmed

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

AI总结 本文提出两种训练方法，使多智能体路径寻找在受扰观测下保持稳定，通过对抗训练和平滑项提升鲁棒性，实验显示在8x8地图上性能显著提升。

Multi-Agent System Identification with Nonlinear Sheaf Diffusion

多智能体系统识别与非线性sheaf扩散

Nivar Anwer, Hans Riess, Matthew Hale

机构 * Department of Computer Science, Georgia Tech（佐治亚理工学院计算机科学系） ； Department of Electrical & Computer Engineering, Georgia Tech（佐治亚理工学院电气与计算机工程系） 纠错

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

AI总结 本文研究多智能体系统中非线性sheaf扩散的识别问题，指出拓扑学中的sheaf上同调是恢复交互规律的关键因素，通过实验验证了在有限维参数化类中恢复的可行性。

EVOCHAMBER: Test-Time Co-evolution of Multi-Agent System at Individual, Team, and Population Scales

EVOCHAMBER：在个体、团队和种群层面进行多智能体系统的测试时间共进化

Yaolun Zhang, Tianyi Xu, Shengyu Dai, Zhenwen Shao, Qingyun Wu, Huazheng Wang

机构 * Oregon State University（俄勒冈州立大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Johnson & Johnson（强生公司） ； Pennsylvania State University（宾夕法尼亚州立大学） ； AG2AI, Inc.（AG2AI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 EVOCHAMBER通过在多智能体系统中实现测试时间共进化，解决了传统方法在跨智能体学习和专业化保留上的不足，通过协作梦境协议和群体生命周期操作，在不同任务流上实现了显著的性能提升。

Priority-Driven Control and Communication in Decentralized Multi-Agent Systems via Reinforcement Learning

基于强化学习的去中心化多智能体系统优先级控制与通信

Qingyun Guo, Junyi Shi, Tomasz Piotr Kucner, Dominik Baumann

机构 * Department of Electrical Engineering and Automation, Aalto University, Espoo, Finland（埃因霍恩理工大学电气工程与自动化系，芬兰 Espoo） ； Finnish Center for Artificial Intelligence, Helsinki, Finland（芬兰人工智能中心，芬兰 Helsinki） 纠错

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

AI总结 本文提出一种无模型、优先级驱动的强化学习算法，通过数据联合学习通信优先级和控制策略，解决事件触发控制中通信带宽浪费问题，实验表明其优于基线方法。

Comments Accepted to the 23rd IFAC World Congress

Vulnerable Agent Identification in Large-Scale Multi-Agent Reinforcement Learning

大规模多智能体强化学习中的脆弱智能体识别

Simin Li, Zihao Mao, Zheng Yuwei, Linhao Wang, Ruixiao Xu, Chengdong Ma, Zhiqian Liu, Xin Yu, Yuqing Ma, Xin Wang, Jie Luo, Bo An, Yaodong Yang, Weifeng Lv, Xianglong Liu

机构 * School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

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

AI总结 本文研究大规模多智能体强化学习中的脆弱智能体识别问题，提出通过分层对抗性去中心化均值场控制框架，结合Fenchel-Rockafellar变换和强化学习算法，有效识别脆弱智能体并降低计算复杂度。

Comments Accepted by ICML 2026

Focusing Influence Mechanism for Multi-Agent Reinforcement Learning

多智能体强化学习中的聚焦影响机制

Yisak Park, Sunwoo Lee, Seungyul Han

机构 * Graduate School of Artificial Intelligence（人工智能研究生院） 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FIM机制，通过熵基准则引导智能体聚焦未探索的状态空间区域，利用 eligibility traces 实现多智能体协同探索，提升合作性能。

Comments 9 technical page followed by references and appendix

JACoP: Joint Alignment for Compliant Multi-Agent Prediction

JACoP：联合对齐的合规多智能体预测

Qingze Liu, Alen Mrdovic, Danrui Li, Mathew Schwartz, Sejong Yoon, Mubbasir Kapadia

机构 * Rutgers University, New Brunswick（新泽西州罗格斯大学） ； The College of New Jersey（新泽西州学院） 纠错

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

AI总结 JACoP通过多阶段框架确保场景级合理性，结合锚点基于的智能体中心分析器和马尔可夫随机场对齐器，有效减少环境和社交冲突，提升多智能体轨迹预测的合规性与实用性。

Comments Accepted by CVPRF 2026

Correcting Selection Bias in Sparse User Feedback for Large Language Model Quality Estimation: A Multi-Agent Hierarchical Bayesian Approach

修正大规模语言模型质量评估中稀疏用户反馈的选择偏差：一种多智能体分层贝叶斯方法

Andrea Morandi, Mahesh Viswanathan

机构 * Cisco（思科） 纠错

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

AI总结 本文提出一种多智能体分层贝叶斯方法，用于修正大规模语言模型质量评估中稀疏用户反馈的选择偏差，通过主题聚类、偏差建模和合成智能体，改进质量评估的准确性。

Attacks and Mitigations for Distributed Governance of Agentic AI under Byzantine Adversaries

针对拜占庭攻击者下的分布式代理AI治理的攻击与缓解措施

Matthew D. Laws, Alina Oprea, Cristina Nita-Rotaru

机构 * Northeastern University（东北大学） 纠错

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

AI总结 本文分析了 compromised Provider 发起的攻击，并提出三种解决方案，在安全与性能之间进行权衡。

Comments 18 pages, 18 figures, 4 tables

Behavioral Determinants of Deployed AI Agents in Social Networks: A Multi-Factor Study of Personality, Model, and Guardrail Specification

部署在社交网络中的AI代理行为决定因素：人格、模型和防护机制规范的多因素研究

Sarah Wilson, Diem Linh Dang, Usman Ali Moazzam, Shan Ye, Gail Kaiser

机构 * Columbia University（哥伦比亚大学） 纠错

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

AI总结 本文通过多因素实验研究，探讨AI代理在社交网络中的行为决定因素，发现人格设定对行为影响最大，模型和规则对语言风格和话题广度有显著影响。

Predicting Decisions of AI Agents from Limited Interaction through Text-Tabular Modeling

通过文本-表格建模从有限交互预测AI代理的决策

Eilam Shapira, Moshe Tennenholtz, Roi Reichart

机构 * Faculty of Data and Decision Sciences（数据与决策科学学院） 纠错

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

AI总结 本文提出文本-表格预测方法，通过分析游戏状态、报价历史和对话，预测AI代理的决策，实验表明隐藏的LLM表示能有效提升预测性能。

SkillGen: Verified Inference-Time Agent Skill Synthesis

SkillGen: 验证推理时间智能体技能合成

Yuchen Ma, Yue Huang, Han Bao, Haomin Zhuang, Swadheen Shukla, Michel Galley, Xiangliang Zhang, Stefan Feuerriegel

机构 * Munich Center for Machine Learning, LMU Munich（慕尼黑马尔他学习中心，慕尼黑大学） ； University of Notre Dame（诺特尔达大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 SkillGen通过对比诱导生成可审计的技能，提升智能体性能，优于现有基线方法，且技能可迁移。

MAC: Masked Agent Collaboration Boosts Large Language Model Medical Decision-Making

MAC：掩码代理协作提升大语言模型医疗决策能力

Zhihao Peng, Liuxin Bao, Yixuan Yuan

机构 * School of Automation, Hangzhou Dianzi University（杭州电子大学自动化学院） ； Department of Electronic Engineering, Chinese University of Hong Kong（香港中文大学电子工程系） 纠错

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

AI总结 本文提出MAC框架，通过帕累托最优代理构建和交叉一致性最大化机制，提升医疗决策能力。

Correct-by-Design Control Synthesis of Stochastic Multi-agent Systems: a Robust Tensor-based Solution

为随机多智能体系统设计的正确性控制合成：一种鲁棒张量方法

Ruohan Wang, Siyuan Liu, Zhiyong Sun, Sofie Haesaert

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

AI总结 本文提出基于抽象的框架，通过鲁棒动态规划映射提供具有时间逻辑满足下界保证的控制策略，利用解耦动态揭示价值函数的张量结构，实现动态规划的可扩展性。

Proteus: A Self-Evolving Red Team for Agent Skill Ecosystems

Proteus：一种自演化红队用于代理技能生态系统

Zhaojiacheng Zhou

机构 * Department of Computer Science and Engineering（计算机科学与工程系） 纠错

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

AI总结 Proteus通过自演化框架评估代理技能的适应性泄露风险，通过五轴攻击空间搜索，实现高攻击成功率和路径扩展，揭示现有技能审核对适应性攻击的不足。

Characterizing the Robustness of Black-Box LLM Planners Under Perturbed Observations with Adaptive Stress Testing

基于扰动观测的黑盒大语言模型规划器鲁棒性表征：适应性压力测试

Neeloy Chakraborty, John Pohovey, Melkior Ornik, Katherine Driggs-Campbell

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文研究了在扰动观测下大语言模型规划器的鲁棒性，提出适应性压力测试方法，通过蒙特卡洛树搜索高效搜索提示扰动空间，发现导致模型高不确定或崩溃的场景和配置。

Comments Accepted to ACL Findings 2026; 31 pages, 26 figures, 6 tables

KV-Fold: One-Step KV-Cache Recurrence for Long-Context Inference

KV-Fold：一种用于长上下文推理的单步KV缓存递归

Alireza Nadali, Patrick Cooper, Ashutosh Trivedi, Alvaro Velasquez

机构 * Department of Computer Science（计算机科学系） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 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 KV-Fold通过将KV缓存视为左折叠的累加器，实现长上下文推理。该方法利用预训练模型的冻结状态，通过递归处理序列块，保持长距离信息的精确性，且在内存限制内实现高效推理。

Comments 12 pages, 3 figures, 6 tables