AI Agent

Agentic AI Ecosystems in Higher Education: A Perspective on AI Agents to Emerging Inclusive, Agentic Multi-Agent AI Framework for Learning, Teaching and Institutional Intelligence

高等教育中的代理AI生态系统：对AI代理在新兴包容性、代理多代理AI框架中学习、教学和机构智能的视角

Vidya K Sudarshan, Anushka Sisodia, Reshma A Ramachandra, Sia Batra, Josephine Chong Leng Leng

机构 * College of Computing and Data Science, Nanyang Technological University, NTU, Singapore（南洋理工大学计算机与数据科学学院） ； DeepMed Ptd Ltd, India（印度DeepMed公司） 纠错

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

AI总结 本文探讨高等教育中代理多代理AI平台的整合，旨在解决教育机构复杂性中的碎片化问题，强调包容性和适应性决策的重要性。

Comments 50 pages, 14 figures, 3 tables

IFPV: An Integrated Multi-Agent Framework for Generative Operational Planning and High-Fidelity Plan Verification

IFPV：一种用于生成性操作规划和高保真计划验证的集成多智能体框架

Zhigao Huang, Zhengqing Hu, Dong Chen, Shaohan Zhang, Zhao Jin, Bo Zhang, Han Wu, Mingliang Xu

机构 * School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院） ； Engineering Research Center of Intelligent Swarm Systems, Ministry of Education（教育部智能群体系统工程研究中心） ； National Supercomputing Center in Zhengzhou（郑州国家超算中心） ； Henan Research Center for Large Model Technology（河南省大模型技术与新质软件工程研究中心） 纠错

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

AI总结 IFPV通过多视角分层智能体和对抗认知仿真引擎，提升复杂战场环境下的规划准确性和验证严格性，实验显示其在任务成功率和运营成本上有显著提升。

Comments Submitted to Neurocomputing

AgentForesight: Online Auditing for Early Failure Prediction in Multi-Agent Systems

AgentForesight：多智能体系统中在线审计的早期故障预测

Boxuan Zhang, Jianing Zhu, Zeru Shi, Dongfang Liu, Ruixiang Tang

机构 * Rutgers University（新泽西罗格拉大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Purdue University（普渡大学） 纠错

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

AI总结 本文提出AgentForesight框架，通过在线审计实现多智能体系统中早期故障预测，利用AFTraj-2K数据集训练出AgentForesight-7B模型，在性能和定位精度上优于GPT-4.1等模型。

Comments 33 pages, 7 figures

Modeling AI-TPACK in Practice Insights from Teachers Multi-Agent Workflow Design

实践中的AI-TPACK建模：来自教师多智能体工作流设计的洞察

Yimeng Sun, Haiyang Xin, Shuang Li, Qiannan Niu, Ching Sing Chai, Lingyun Huang, Gaowei Chen

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

AI总结 研究探讨教师在设计多智能体教学工作流时的行为及认知基础，发现AI-TPACK整合源于系统思维、教学信念和自我效能的动态互动，需针对教师认知行为差异提供差异化支持。

LEMON: Learning Executable Multi-Agent Orchestration via Counterfactual Reinforcement Learning

LEMON：通过反事实强化学习学习可执行多智能体编排

Xudong Chen, Yixin Liu, Hua Wei, Kaize Ding

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

AI总结 LEMON通过反事实强化学习生成可执行的多智能体编排规范，整合任务特定角色、定制职责、容量级别和依赖结构，提升多智能体系统解决方案质量和执行效率。

Comments Submitted to Neurips 2026

GAMBIT: A Three-Mode Benchmark for Adversarial Robustness in Multi-Agent LLM Collectives

GAMBIT：多智能体LLM集体中对抗鲁棒性的三模式基准

Alexandre Le Mercier, Chris Develder, Thomas Demeester

机构 * IDLab–T2K, Ghent University–imec（IDLab–T2K，根特大学–imec） 纠错

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

AI总结 GAMBIT是首个多智能体对抗鲁棒性基准，通过三模式评估和两个独立评分，测试在适应性对抗者下的 impostor 检测器性能，展示了零样本评估的误导性及快速 recalibration 方法的重要性。

Comments 46 pages, 16 figures

Cattle Trade: A Multi-Agent Benchmark for LLM Bluffing, Bidding, and Bargaining

牛市交易：一种多智能体基准，用于评估大语言模型在战略推理、对抗互动和资源约束下的表现

Robert Müller, Clemens Müller

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

AI总结 本文提出Cattle Trade基准，用于评估大语言模型在多智能体经济游戏中整合战略推理、对抗互动和资源分配的能力，揭示了智能体在资源管理与对抗策略中的表现差异。

Comments malgai workshop at iclr 2026

MetaAgent-X : Breaking the Ceiling of Automatic Multi-Agent Systems via End-to-End Reinforcement Learning

MetaAgent-X：通过端到端强化学习打破自动多智能体系统的天花板

Yaolun Zhang, Yujie Zhao, Nan Wang, Yiran Wu, Jiayu Chang, Yizhao Chen, Qingyun Wu, Jishen Zhao, Huazheng Wang

机构 * Oregon State University（俄勒冈州立大学） ； UCSD（加州大学圣迭戈分校） ； Amazon AGI（亚马逊人工智能实验室） ； 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)；agentic(abstract)；分类 cs.AI

AI总结 本文提出MetaAgent-X，通过端到端强化学习框架联合优化自动多智能体系统的设计与执行，实现脚本化生成、执行回放收集及信用分配，提升训练稳定性与可扩展性，取得21.7%的性能提升。

Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought

面向微服务的深入根本原因定位：多智能体递归思考

Lingzhe Zhang, Tong Jia, Kangjin Wang, Chiming Duan, Minghua He, Rongqian Wang, Xi Peng, Meiling Wang, Gong Zhang, Renhai Chen, Ying Li

机构 * Peking University（北京大学） ； Huawei Theory Lab（华为理论实验室） 纠错

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

AI总结 本文提出RCLAgent框架，通过多智能体递归思考实现微服务系统根本原因定位，提升定位准确性和推理效率。

Predictive Maps of Multi-Agent Reasoning: A Successor-Representation Spectrum for LLM Communication Topologies

多智能体推理的预测地图：一种用于LLM通信拓扑的后继表示谱

Ethan Parks, Dalal Alharthi

机构 * University of Arizona（亚利桑那大学） 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 本文提出基于后继表示谱的结构诊断方法，用于评估多智能体LLM通信拓扑的性能，通过分析谱半径、谱间隙和条件数等指标，预测拓扑在漂移、共识和扰动鲁棒性方面的表现。

Probabilistic Verification of Recurrent Neural Networks for Single and Multi-Agent Reinforcement Learning

基于递归神经网络的单智能体与多智能体强化学习的概率验证

Luca Marzari, Enrico Marchesini

机构 * TU Wien（维也纳技术大学） ； Massachusetts Institute of Technology（麻省理工学院） 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RNN-ProVe框架，通过策略驱动采样和统计误差界估计，为递归神经网络策略提供更精确的概率保证，适用于部分可观测的单智能体和多智能体强化学习任务。

Comments Accepted at the 35th International Joint Conference on Artificial Intelligence (IJCAI) 2026

Contestable Multi-Agent Debate with Arena-based Argumentative Computation for Multimedia Verification

可争议的多智能体辩论与基于竞技场的论证计算用于多媒体验证

Truong Thanh Hung Nguyen, Vo Thanh Khang Nguyen, Hoang-Loc Cao, Phuc Ho, Van Pham, Hung Cao

机构 * University of New Brunswick（新 Brunswick大学） ； University of Science, VNU-HCM（越南国家大学科学学院（VNU-HCM）） 纠错

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

AI总结 本文提出一种可争议的多智能体框架，结合多模态大语言模型、外部验证工具和基于竞技场的定量双极论证，以解决多媒体验证的透明性和可争议性问题。

Comments ACM ICMR 2026 Grand Challenge on Multimedia Verification

FuzzAgent: Multi-Agent System for Evolutionary Library Fuzzing

FuzzAgent：用于进化库模糊测试的多智能体系统

Yunlong Lyu, Peng Chen, Fengyi Wu, Junzhe Yu, Kit Long Hon, Hao Chen

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

AI总结 FuzzAgent通过多智能体协作实现库模糊测试的迭代进化，提升覆盖率和崩溃分析的准确性，优于现有方法45.1%至191.2%。

Comments Try FuzzAgent at https://fuzzany.org/

Hierarchical Attacks for Multi-Modal Multi-Agent Reasoning

多模态多智能体推理的分层攻击

Hao Zhou, Tiru Wu, Yan Jiang, Wanqi Zhou, Junxing Hu, Ai Han

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HAM³框架，通过感知、通信、推理三层分层攻击，评估多智能体系统在不同推理范式下的攻击成功率，揭示多模态多智能体系统的安全漏洞。

Comments Accepted to CVPR 2026

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

MASPrism: Lightweight Failure Attribution for Multi-Agent Systems Using Prefill-Stage Signals

MASPrism：基于预填充阶段信号的轻量级多智能体系统故障归因

Yang Liu, Hongjiang Feng, Junsong Pu, Zhuangbin Chen

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

AI总结 本文提出MASPrism，通过预填充阶段信号实现多智能体系统故障归因，利用小型语言模型提取负对数似然和注意力权重，提升故障源识别效率，实验显示在Who&When和TRAIL数据集上性能优异，速度提升显著。

Comments 12 pages

Catching the Infection Before It Spreads: Foresight-Guided Defense in Multi-Agent Systems

在感染蔓延前捕捉它：多智能体系统中的前瞻性引导防御

Yue Ma, Ziyuan Yang, Yi Zhang

机构 * Sichuan University（四川大学） ； Nanyang Technological University（南洋理工大学） 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Foresight-Guided Local Purification框架，通过智能体模拟未来交互行为，消除感染。实验表明，该方法将最大累积感染率从95%降至5.47%，有效保持交互多样性。

Comments 12 pages

Optimizing PyTorch Inference with LLM-Based Multi-Agent Systems

通过基于LLM的多智能体系统优化PyTorch推理

Kirill Nagaitsev, Luka Grbcic, Samuel Williams, Costin Iancu

机构 * NVIDIA Corporation（NVIDIA公司） ； Microsoft Corporation（微软公司） ； Ansel et al. ( 2024 )（Ansel等人（2024）） ； Sabne ( 2020 )（Sabne（2020）） ； Kerr et al. ( 2017 )（Kerr等人（2017）） ； Tillet et al. ( 2019 )（Tillet等人（2019）） ； Spector et al. ( 2024 )（Spector等人（2024）） ； Ouyang et al. ( 2025 )（Ouyang等人（2025）） ； Lange et al. ( 2025a（Lange等人（2025a；b）） ； b )（Li等人（2025）） ； Li et al. ( 2025 )（METR（2025）） ； METR ( 2025 )（Andrews和Witteveen（2025）） ； Andrews and Witteveen ( 2025 )（Baronio等人（2025）） ； Baronio et al. ( 2025 )（Novikov等人（2025）） ； Novikov et al. ( 2025 )（Wei等人（2025）） ； Wei et al. ( 2025 )（Sharma（2025）） ； Sharma ( 2025 ) 纠错

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

AI总结 本文提出基于LLM的多智能体系统用于优化PyTorch推理，发现exploit策略与error-fixing智能体结合效果最佳，实现2.88倍速度提升。

Invisible Orchestrators Suppress Protective Behavior and Dissociate Power-Holders: Safety Risks in Multi-Agent LLM Systems

不可见的指挥者抑制保护行为并使权力持有者脱节：多智能体大语言模型系统中的安全风险

Hiroki Fukui

机构 * Criminal Psychiatry Research Institute / Sexual Offender Medical Center（犯罪精神病研究机构 / 性犯罪医学中心） ； Department of Neuropsychiatry, Kyoto University（神经精神病学系，京都大学） 纠错

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

AI总结 研究探讨了多智能体系统中不可见指挥者对安全的影响，发现其导致集体脱节和行为异质性增加，且行为评估无法检测内部状态风险。

Comments 31 pages, 10 figures (5 main + 5 supplementary), 5 tables (3 main + 2 supplementary). Preregistered: osf.io/sw5hr. Companion papers: arXiv:2603.04904, arXiv:2603.08723

PI-SONet: A Physics-Informed Symplectic Operator Network for Real-Time Optimal Control of Multi-Agent Systems

PI-SONet：一种物理信息保结构算子网络，用于多智能体系统实时最优控制

Alan John Varghese, Shanqing Liu, Paula Chen, Yaochen Zhu, Jérôme Darbon, George Em Karniadakis

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

AI总结 PI-SONet通过结合隐式右空间求解器与条件辛算子，高效生成可计算的哈密顿轨迹并转换回物理空间，实现高维非凸非线性最优控制问题的快速求解与泛化。

An Encoded Corrective Double Deep Q-Networks for Multi-Agent Control Systems

一种编码纠正的双深度Q网络用于多智能体控制系统

Mohammadreza Barzegaran, Kemeng Han, Hamid Jafarkhani

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

AI总结 本文研究了异构和互联多智能体系统协作控制策略的合成，提出了一种分布式编码纠正双演员-评论家框架，通过消息传递机制改进全局状态信息，减少集体成本。

Receding Horizon Multi-Agent Deceptive Path Planner

滚动时域多智能体欺骗路径规划

Xubin Fang, Brian M. Sadler, Rick S. Blum

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

AI总结 本文提出基于玻尔兹曼分布的多智能体欺骗路径规划框架，通过短时域轨迹计算实现动态欺骗与约束适应，支持在线调整以应对环境变化。

MIMIC-D: Multi-modal Imitation for MultI-agent Coordination with Decentralized Diffusion Policies

MIMIC-D: 多模态模仿用于多智能体协调的去中心化扩散策略

Dayi Dong, Maulik Bhatt, Seoyeon Choi, Negar Mehr

机构 * Department of Mechanical Engineering, University of California Berkeley（加州大学伯克利分校机械工程系） 纠错

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

AI总结 本文提出MIMIC-D，通过去中心化扩散策略实现多智能体多模态模仿学习，解决了传统方法在多模态任务中协调效率低的问题。

Comments 8 pages, 4 figures, 5 tables

APWA: A Distributed Architecture for Parallelizable Agentic Workflows

APWA: 一种用于可并行化代理工作流的分布式架构

Evan Rose, Tushin Mallick, Matthew D. Laws, Cristina Nita-Rotaru, Alina Oprea

机构 * Northeastern University（东北大学） 纠错

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

AI总结 本文提出APWA架构，通过分解任务为非干扰子问题，提升多代理系统处理高并行任务的效率和扩展性。

Comments 25 pages, 2 figures, 14 tables

Multi-Agentic Approach for History Matching of Oil Reservoirs

多智能体方法用于油藏历史匹配

Linar Samigullin, Sergei Shumilin, Evgeny Burnaev

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

AI总结 本文提出PetroGraph多智能体框架，通过分解工作流实现智能油藏历史匹配，降低复杂模拟工作流的操作门槛，提升历史匹配精度。

The Moltbook Observatory Archive: an incremental dataset of agent-only social network activity

Moltbook观测站档案：一个仅由智能体生成的社会网络活动增量数据集

Sushant Gautam, Annika W. Olstad, Klas H. Pettersen, Michael A. Riegler

机构 * Simula Metropolitan Center for Digital Engineering (SimulaMet)（Simula数字工程中心（SimulaMet）） ； Oslo Metropolitan University（奥斯陆大学） ； Simula Research Laboratory（Simula研究实验室） 纠错

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

AI总结 本文介绍了Moltbook观测站档案，一个记录仅由智能体生成的社会网络活动的增量数据集，包含78天的平台活动数据，包含261万条帖子和121万条评论，用于研究多智能体通信和自主智能体在线环境中的安全现象。

Comments 12 pages, 5 figures

Agentic AI in Industry: Adoption Level and Deployment Barriers

工业中的代理AI：采用级别与部署障碍

Spyridon Alvanakis Apostolou, Jan Bosch, Helena Holmström Olsson

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

AI总结 研究通过16次访谈，揭示工业组织代理AI的采用现状及部署障碍，发现能力与部署验证存在差距，主要障碍包括LLM上下文窗口限制、专有语言性能不足、非确定性与数据保密问题。

Comments 16 pages

What Do AI Agents Talk About? Discourse and Architectural Constraints in the First AI-Only Social Network

AI代理谈论什么？第一个人工智能-only社交网络中的话语与架构约束

Taksch Dube, Jianfeng Zhu, NHatHai Phan, Ruoming Jin

机构 * Department of Computer Science, Kent State University（肯特州立大学计算机科学系） ； New Jersey Institute of Technology（新泽西理工学院） 纠错

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

AI总结 研究分析了Moltbook中代理话语的主题、情感和互动特性，揭示了话语生成受代理身份文件、行为指令和上下文窗口结构的影响，提出架构约束通信框架。

Comments 56 pages

A Heterogeneous Dual-Network Framework for Emergency Delivery UAVs: Communication Assurance and Path Planning Coordination

一种异构双网络框架用于应急配送无人机：通信保障与路径规划协调

Ping Huang, Bin Duo, Ziedor Godfred, Liuwei Huo, Jin Ning, Xiaojun Yuan, Jun Li

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

AI总结 本文提出异构双网络框架HDNF，通过结合应急通信支持网络和配送路径网络，提升无人机在灾害环境中的通信可靠性与路径规划效率，优化任务分配和能源消耗。

Comments This work has been submitted to the IEEE for possible publication

Privacy Preserving Multi Agent Path Finding

隐私保护的多智能体路径寻找

Rotem Lev Lehman, Roni Stern, Guy Shani

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

AI总结 本文提出两种隐私保护机制，通过添加虚拟智能体和后处理技术，在多智能体路径寻找中实现规划和执行层面的隐私保护，实验表明后处理技术有效降低路径成本。

Comments 16 pages, 5 figures, to be published in AAMAS 2026 as an extended abstract

Quantum Advantage in Multi Agent Reinforcement Learning

量子多智能体强化学习中的量子优势

Simranjeet Singh Dahia, Claudia Szabo

机构 * Adelaide University（阿德莱德大学） 纠错

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

AI总结 本文通过实验验证量子纠缠在多智能体强化学习中的协调作用，展示了量子智能体在CHSH游戏中超越经典性能的量子优势，并探讨了不同纠缠结构对性能的影响。

Comments 19 pages