AI Agent

MASFactory: A Graph-centric Framework for Orchestrating LLM-Based Multi-Agent Systems with Vibe Graphing

MASFactory: 一种基于图的框架，用于通过Vibe图谱编排基于大语言模型的多智能体系统

Yang Liu, Jinxuan Cai, Yishen Li, Qi Meng, Zedi Liu, Xin Li, Chen Qian, Chuan Shi, Cheng Yang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出MASFactory，一种基于图的框架，用于通过Vibe图谱编排基于大语言模型的多智能体系统，解决了现有框架在实现复杂图工作流时需要大量手动工作、重用性差和难以整合异构外部上下文源的问题。

Comments Accepted to the ACL 2026 Demo Track. Camera-ready version. 10 pages, 6 figures. Code and documentation are available at: https://github.com/BUPT-GAMMA/MASFactory

AgentCo-op: Retrieval-Based Synthesis of Interoperable Multi-Agent Workflows

AgentCo-op: 基于检索的互操作多智能体工作流合成

Shuaike Shen, Wenduo Cheng, Shike Wang, Mingqian Ma, Jian Ma

机构 * Ray and Stephanie Lane Computational Biology Department, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院雷和斯蒂芬妮·兰德计算生物学系） ； Machine Learning Department, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器学习系） 纠错

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

AI总结 本文提出AgentCo-op，一种基于检索的多智能体工作流合成框架，通过类型化任务传递合成可执行工作流，并在执行证据表明失败时应用有界自引导局部修复。在两个开放世界基因组学案例研究中，AgentCo-op在不重设计或运行全局拓扑搜索的情况下，将独立开发的科学智能体和外部工具库整合到可审计的工作流中。

DRAMA: Next-Gen Dynamic Orchestration for Resilient Multi-Agent Ecosystems in Flux

DRAMA: 为动态变化中的多智能体生态系统提供下一代动态编排

Xinkui Zhao, Yifan Zhang, Sai Liu, Naibo Wang, Guanjie Cheng, Yueshen Xu, Chang Liu, Shuiguang Deng, Jianwei Yin

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

AI总结 本文提出DRAMA，一种动态且鲁棒的多智能体系统，通过模块化架构和灵活的任务分配机制，提高多智能体在快速变化环境中的协作韧性。

Journal ref The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026

Multi-agent Collaboration with State Management

具有状态管理的多智能体协作

Mengyang Liu, Taozhi Chen, Zhenhua Xu, Xue Jiang, Yihong Dong

机构 * Shanghai Jiaotong University（上海交通大学） ； Cortices AI ； Emory University（埃默里大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出STORM，一种面向多智能体协作的状态管理方法，通过在共享工作区中调解智能体的交互，确保每个智能体在一致的代码库视图上操作，并在写入时检测和解决冲突。STORM在多个LLM上优于基于git-worktree的多智能体基线，且在成本效率上具有竞争力，表明显式状态管理比工作区隔离更有效。

Enabling Regulatory Multi-Agent Collaboration: Architecture, Challenges, and Solutions

使监管多智能体协作成为可能：架构、挑战与解决方案

Qinnan Hu, Yuntao Wang, Yuan Gao, Zhou Su, Linkang Du, Qichao Xu

机构 * School of Cyber Science and Engineering（网络科学与工程学院） ； Xi'an Jiaotong University（西安交通大学） ； School of Mechatronic Engineering and Automation（机械电子工程与自动化学院） ； Shanghai University（上海大学） 纠错

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

AI总结 本文提出了一种基于区块链的分层架构，用于监管智能体协作，设计了三个关键模块以实现自动问责、动态声誉评估和恶意行为预测，从而建立可信、健壮和可扩展的监管机制。

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

STEAM: A Training-Free Congestion-Aware Enhancement Framework for Decentralized Multi-Agent Path Finding

STEAM: 一种无需训练的拥堵感知增强框架用于去中心化多智能体路径寻找

Mingyang Feng, Mengnuo Zhang, Shaoyuan Li, Xiang Yin

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（自动化与智能感知学院，上海交通大学） 纠错

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

AI总结 本文提出STEAM框架，一种无需训练的去中心化多智能体路径寻找（MAPF）学习方法，在离散环境中通过注入轻量级拥堵感知指导来提升性能，通过空间避让、时间修正和密度修正等方法提高成功率和效率。

MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving

MAPLE：基于潜在空间的多智能体交互用于端到端自动驾驶

Rajeev Yasarla, Deepti Hegde, Hsin-Pai Cheng, Shizhong Han, Yunxiao Shi, Meysam Sadeghigooghari, Hanno Ackermann, Litian Liu, Pranav Desai, Fatih Porikli, Mohammad Ghavamzadeh, Hong Cai

机构 * Qualcomm AI Research（英矽人工智能研究） 纠错

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

AI总结 本文提出MAPLE框架，通过在视觉-语言-动作模型的潜在空间中实现反应式多智能体滚动，以解决传统模仿学习框架下闭环设置中模型易碎的问题，通过监督微调和强化学习结合多样性奖励，实现了可扩展且无需外部模拟器的闭环训练，提升了端到端自动驾驶系统的鲁棒性。

Comments 19 pages, 9 figures

Wolfpack Adversarial Attack for Robust Multi-Agent Reinforcement Learning

狼群对抗攻击用于鲁棒多智能体强化学习

Sunwoo Lee, Jaebak Hwang, Yonghyeon Jo, Seungyul Han

机构 * Graduate School of Artificial Intelligence, UNIST, Ulsan, South Korea（人工智能研究生院，UNIST，韩国乌山） 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 本文提出狼群对抗攻击框架，用于对抗多智能体强化学习中的协同对抗攻击，并引入狼群-对抗学习框架来训练鲁棒的MARL策略以防御该攻击。

Comments 9 pages main, 23 pages appendix with reference. Accepeted by ICML 2025

Journal ref Proceedings of Machine Learning Research (PMLR), ICML 2025

ATLAS: Adaptive Trading with LLM AgentS Through Dynamic Prompt Optimization and Multi-Agent Coordination

ATLAS：通过动态提示优化和多智能体协调实现LLM智能体的自适应交易

Charidimos Papadakis, Angeliki Dimitriou, Giorgos Filandrianos, Maria Lymperaiou, Konstantinos Thomas, Giorgos Stamou

机构 * School of Electrical and Computer Engineering, AILS Laboratory（电气与计算机工程学院，AILS实验室） ； National Technical University of Athens（雅典国家技术大学） 纠错

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

AI总结 本文提出ATLAS框架，通过动态提示优化和多智能体协调，解决LLM在金融交易中的适应性问题，提升交易决策的鲁棒性和执行效率。

COAgents: Multi-Agent Framework to Learn and Navigate Routing Problems Search Space

COAgents: 多智能体框架用于学习和导航路由问题搜索空间

Oleksandr Yakovenko, Mahdi Mostajabdaveh, Cheikh Ahmed, Abdullah Ali Sivas, Xiaorui Li, Zirui Zhou, Mao Kun

机构 * Huawei Technologies Canada（华为技术加拿大公司） ； Huawei Technologies（华为技术） 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COAgents多智能体框架，通过将搜索过程建模为图来解决车辆路径问题的计算复杂性问题，通过训练不同智能体来指导强化和探索，从而在CVRP和VRPTW基准测试中取得优异成绩。

Comments Accepted at LION 2026, The Learning and Intelligent Optimization Conference

Retaining Suboptimal Actions to Follow Shifting Optima in Multi-Agent Reinforcement Learning

保留次优动作以跟随移动的最优解在多智能体强化学习中

Yonghyeon Jo, Sunwoo Lee, Seungyul Han

机构 * Graduate School of Artificial Intelligence（人工智能研究生院） ； Ulsan National Institute of Science and Technology (UNIST)（乌山国立科学与技术研究院（UNIST）） 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S2Q算法，通过学习多个子价值函数来保留替代的高价值动作，以解决多智能体强化学习中适应值函数变化时的最优解移动问题，实验表明其在多智能体强化学习基准上表现优异。

Comments 10 technical page followed by references and appendix. Accepted to ICLR 2026

Journal ref International Conference on Learning Representations (ICLR), 2026

Learning Incentive Structures for Cooperative Resilience in Multi-Agent Systems under Social Dilemmas

在社会困境中的多智能体系统中学习合作韧性激励结构

Manuela Chacon-Chamorro, Luis Felipe Giraldo, Nicanor Quijano

机构 * School of Engineering, Universidad de los Andes（工程学院，亚诺斯大学） 纠错

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

AI总结 本文研究了在社会困境中通过多智能体强化学习系统学习促进集体福祉的激励结构，提出了一种评估和排名智能体轨迹的韧性度量标准，并通过三种激励结构评估了资源共享环境中的系统性能。

Comments Supplementary material in https://github.com/mavivi95/supplementary_files/blob/main/Learning_TCSS___Supplementary_File__AN_.pdf Updated version submitted to IEEE Transactions on Computational Social Systems (TCSS). This preprint is under review for possible publication in IEEE

Time-To-Reach Separation and Safety Filtering for Safe, Fair, and Efficient Multi-Agent Coordination

时间到达分离与安全过滤用于安全、公平和高效的多智能体协调

Matthew Low, Jasmine Jerry Aloor, Victoria Marie Tuck, Pierluigi Nuzzo, Jason J. Choi

机构 * Department of Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（麻省理工学院航空与航天系） ； GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； Department of Electrical and Computer Engineering, University of California, Los Angeles（加州大学洛杉矶分校电子与计算机工程系） 纠错

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

AI总结 本文提出了一种多智能体协调框架，利用最小时间到达（TTR）作为统一指标用于优先级分配、时间分离和安全过滤，以协调多个空中车辆进入空中走廊并保持车辆间安全分离。

Comments 9 pages, 3 figures. Extended version (including appendix) of a paper submitted to the 65th IEEE Conf. on Decision and Control (2026)

What Do Agents Communicate? Characterizing Information Exchange in Multi-Agent Systems

智能体通信什么？多智能体系统中信息交换的特征化

Yong Jin Chun, Iftekhar Ahmed

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

AI总结 本文研究了多智能体系统中信息交换的核心问题，发现缺乏推理和验证的信息会显著降低性能，并提出了一种增强技术来恢复通信中的关键信息，从而提高了系统性能。

TokenCake: A KV-Cache-centric Serving Framework for LLM-based Multi-Agent Applications

TokenCake: 一种面向基于LLM的多智能体应用的KV缓存中心化服务框架

Zhuohang Bian, Feiyang Wu, Zhuoran Li, Teng Ma, Youwei Zhuo

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

AI总结 本文提出TokenCake，一种面向基于LLM的多智能体应用的KV缓存中心化服务框架，通过智能体感知设计共同优化调度和内存管理，以解决KV缓存中的空间竞争和时间利用率问题，实验表明其显著降低了端到端延迟并提高了GPU内存利用率。

Comments 14 pages, 17 figures, 3 tables, 2 algorithms

FACET: Teacher-Centred LLM-Based Multi-Agent Systems-Towards Personalized Educational Worksheets

FACET：以教师为中心的基于大语言模型的多智能体系统——向个性化教育工作表迈进

Jana Gonnermann-Müller, Jennifer Haase, Konstantin Fackeldey, Sebastian Pokutta

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

AI总结 本文提出FACET框架，一种面向教师的基于大语言模型的多智能体系统，旨在生成整合学习者认知和动机维度的个性化课堂材料，通过三个专门智能体实现，展示了多智能体LLM架构在异质课堂环境中的规模化、情境感知个性化潜力。

Distributed Non-Uniform Scaling Control of Multi-Agent Formation via Matrix-Valued Constraints

多智能体编队的分布式非均匀缩放控制 via 矩阵值约束

Tao He, Gangshan Jing

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

AI总结 本文提出了一种基于矩阵值约束的分布式非均匀缩放控制方法，通过调整两个领导者的位置实现编队的非均匀缩放，同时支持姿态的缩放和翻译控制，并证明了在特定传感图结构下控制器的全局收敛性。

Modeling Emotional Dynamics in Agent-to-Agent Interactions on Moltbook

在Moltbook上代理间交互中情感动态建模

Syed Mhamudul Hasan, Abdur R. Shahid

机构 * Southern Illinois University（南伊利诺伊大学） 纠错

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

AI总结 本文研究了Moltbook中代理间交互的情感动态，提出了一种情感感知框架，用于将文本交互映射到预定义的细粒度情感类别，提取结构化的情感档案，并引入了基于情感的Persona-Stimulus-Reaction（PSR）领域来评估行为可靠性。

Towards Autonomous Mechanistic Reasoning in Virtual Cells

向虚拟细胞中的自主机理推理迈进

Yunhui Jang, Lu Zhu, Jake Fawkes, Alisandra Kaye Denton, Dominique Beaini, Emmanuel Noutahi

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Valence Labs（Valence实验室） ； University College London（伦敦大学学院） 纠错

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

AI总结 本文提出了一种结构化解释形式化方法，用于虚拟细胞中的生物推理，通过机理动作图实现系统验证和反驳，并引入VCR-Agent多智能体框架，结合生物基础知识检索和基于验证器的过滤方法，生成并验证机理推理。

Personality Engineering with AI Agents: A New Methodology for Negotiation Research

利用AI代理的人格工程：谈判研究的新方法论

Michelle A. Vaccaro, Jared R. Curhan

机构 * MIT Institute for Data, Systems, and Society（MIT数据、系统与社会研究所） ； MIT Sloan School of Management（MIT斯隆管理学院） 纠错

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

AI总结 本文提出了一种利用AI代理进行谈判者人格参数化、操纵和评估的方法，通过人际圆周坐标系中的温暖和支配两个核心维度，为谈判理论的严格测试和AI谈判代理的人格设计提供了一种新方法。

ROSE: Rollout On Serving GPUs via Cooperative Elasticity for Agentic RL

ROSE: 通过协作弹性在服务GPU上进行 rollout

Wei Gao, Yuheng Zhao, Dilxat Muhtar, Dakai An, Xuchun Shang, Tianyuan Wu, Lunxi Cao, Shaopan Xiong, Weixun Wang, Ju Huang, Teng Ma, Siran Yang, Jiamang Wang, Lin Qu, Bo Zheng, Wei Wang

专题命中 多智能体 ：agentic(title,abstract)

AI总结 针对代理强化学习中计算密集型多轮rollout资源需求波动的问题，ROSE通过协作弹性机制共享已部署的服务GPU，提高端到端吞吐量并减少rollout时间，同时保障服务SLA。

Comments 18 pages, 15 figures

ZEBRA: Zero-shot Budgeted Resource Allocation for LLM Orchestration

ZEBRA: 零样本预算化资源分配用于LLM编排

May Hamri, Inbal Talgam-Cohen

机构 * Tel Aviv University（特拉维夫大学） 纠错

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

AI总结 该研究提出ZEBRA框架，通过将多阶段预算分配转化为连续非线性背包问题，有效解决多智能体流水线中预算分配问题，实验显示其在多个任务上均优于传统方法。

SubTGraph: Large-Scale Subterranean Environment Synthesis with Controllable Topological Variability for Robotic Autonomy Validation

SubTGraph: 大规模地下环境合成与可控拓扑变化用于机器人自主性验证

F. Labra Caso, A. Saradagi, S. Fredriksson, S. Nordström, A. Koval, G. Nikolakopoulos

机构 * Robotics & AI Luleå University of Technology（机器人与人工智能卢勒奥技术大学） 纠错

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

AI总结 本文提出SubTGraph框架，用于快速合成具有高变异性的多层级地下环境，通过用户指定的拓扑、维度、纹理等参数生成不同类型的地下环境，用于验证机器人自主栈各层的严格验证。

Comments 16 pages, 18 figures

FedCritic: Serverless Federated Critic Learning-based Resource Allocation for Multi-Cell OFDMA in 6G

FedCritic: 一种基于联邦批评学习的多小区OFDMA资源分配方法用于6G

Amin Farajzadeh, Melike Erol-Kantarci

机构 * School of Electrical Engineering and Computer Science, University of Ottawa（奥克塔维亚大学电气工程与计算机科学学院） 纠错

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

AI总结 本文研究了6G超密集网络中因频率重用加剧的小区间干扰问题，提出FedCritic框架，通过轻量级基于干扰图的参数平均实现去中心化执行，从而在不依赖中央协调器的情况下稳定估计价值函数，提升信号干扰噪声比(SINR)和小区边缘速率，提高网络总和速率和公平性。

Comments Submitted to IEEE for possible publication

Towards Resilient and Autonomous Networks: A BlueSky Vision on AI-Native 6G

迈向稳健和自主的网络：AI原生6G的BlueSky愿景

Liang Wu, Kelly Wan, Mayank Darbari, Liangjie Hong

机构 * Nokia（诺基亚） 纠错

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

AI总结 本文提出了一种AI原生6G的BlueSky愿景，旨在将人工智能原生整合到6G中，从'为AI的网络'转向'为网络的AI'，通过基础模型和协作多智能体系统，将网络管理转化为统一的多模态多任务优化问题，推动6G向智能自维持通信基础设施发展。

Comments Accepted at KDD 2026

Decoupling Communication from Policy: Robust MARL under Bandwidth Constraints

分离通信与策略：在带宽限制下的鲁棒多智能体强化学习

Alexi Canesse, Benoît Goupil, Jesse Read, Sonia Vanier

机构 * École polytechnique (LIX)（巴黎高等理工学院（LIX）） ； CNRS（国家科学研究中心） ； Institut Polytechnique de Paris（巴黎高等理工学院） ； Palaiseau, France（法国Palaiseau） 纠错

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

AI总结 本文提出了一种新的方法，通过引入β指标和SLIM架构，将通信路径与策略的潜在表示分离，从而在带宽受限的情况下提高多智能体强化学习的鲁棒性和性能。

Lower Bounds for Advection-Diffusion Equations: An Exploration with AI-Generated Proofs

关于对流-扩散方程的下界：与AI生成证明的探索

Chenyang An, Xiaoqian Xu

机构 * University of California, San Diego, La Jolla, United States（加州大学圣迭戈分校） ； Duke Kunshan University, Zu Chongzhi Center, No. 8 Duke Avenue, Kunshan, Jiangsu Province, 215316, P.R. China（杜克昆山大学，祖冲之中心） 纠错

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

AI总结 本文通过AI生成的证明方法，建立了对流-扩散方程在三种不同情形下的显式下界，包括无粘性剪切的多项式$\dot H^{-1}$界、扩散剪切的混合尺度正下界以及快速振荡时间周期性流动的指数$L^2$界。

Comments 63 pages

LIDSA: Cognitive Arbitration for Signal-Free Autonomous Intersection Management

LIDSA：信号自由的自主交叉口管理中的认知仲裁

Abderrahmane Lakas, Mohamed Amine Ferrag, Merouane Debbah

机构 * Department of Computer and Network Engineering, United Arab Emirates University, UAE（计算机与网络工程系，阿联酋大学） ； Research Institute for Digital Future, Khalifa University, UAE（未来数字研究院，哈利法大学） 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LIDSA框架，利用大语言模型进行意图驱动的速度建议，以实现信号自由的自主交叉口管理，通过对比固定周期控制、SCATS、AIM和GLOSA等方法，证明LLM在实时交叉口管理中的有效性。

Comments Renamed LISA to LIDSA to avoid naming ambiguity with existing traffic-control software. No technical changes

Reinforcement Learning with Discrete Diffusion Policies for Combinatorial Action Spaces

基于离散扩散策略的强化学习

Haitong Ma, Ofir Nabati, Aviv Rosenberg, Bo Dai, Oran Lang, Craig Boutilier, Na Li, Shie Mannor, Lior Shani, Guy Tenneholtz

机构 * Google Research（谷歌研究） ； Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； Nvidia Research（Nvidia研究） 纠错

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

AI总结 本文提出了一种新的框架，用于在复杂的组合动作空间中训练高效的离散扩散模型策略，通过高效的在线训练过程和策略镜像下降方法，实现了稳定的策略改进，并在多个挑战性组合基准上取得了最先进的性能。

Comments 22 pages, 10 figures. Haitong Ma and Ofir Nabati contributed equally to this paper

One Developer Is All You Need: A Case Study of an AI-Augmented One-Person Squad in a Brownfield Enterprise

一个开发者就够了：在棕色场企业中一个AI增强的单人小队的案例研究

Marcelo Vilas Boas, Gustavo Pinto, Edward Roberto Monteiro, Vinicius Fernandes Carida, Danilo Ribeiro

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

AI总结 本研究探讨了在受监管的企业环境中如何设计和评估一个由AI增强的单人小队，发现AI工具能提高单个工程师的效率，而规范质量和机构知识是单人小队成功的关键约束。

Comments 10 pages