AI Agent

Agentic-J: An AI Agent for Biological Microscopy Image Analysis

Agentic-J：用于生物显微镜图像分析的AI智能体

Lukas Johanns, Marilin Moor, Davide Panzeri, Yu Zhou, Xinyi Chen, Nora F. K. Pauly, Zixuan Pan, Matthias Gunzer, Andreas Müller, Yiyu Shi, Hedi Peterson, Jianxu Chen

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

AI总结 提出基于容器的多智能体AI助手Agentic-J，通过自然语言接口集成ImageJ/Fiji工具，实现从细胞分割到多条件量化的可追溯、可复现生物图像分析工作流。

Comments Presented at Cell Biology at Scale 2026 (Poster). The Agentic-J project is available at https://mmv-lab.github.io/Agentic-J/

When Does Multi-Agent RL Improve LLM Workflows? Workflow, Scale, and Policy-Sharing Tradeoffs

多智能体强化学习何时能改进LLM工作流？工作流、规模与策略共享的权衡

Yifan Zeng, Yiran Wu, Yaolun Zhang, Wentian Zhao, Kun Wan, Qingyun Wu, Huazheng Wang

机构 * Oregon State University（俄勒冈州立大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Adobe Inc.（Adobe公司） ； AG2AI, Inc.（AG2AI公司） 纠错

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

AI总结 研究多智能体LLM工作流中端到端强化学习训练的效果，发现改进依赖于工作流、任务和规模，策略共享不提供统一稳定性而是重新分配失败模式。

Agentic Clustering: Controllable Text Taxonomies via Multi-Agent Refinement

Agentic Clustering: 通过多智能体精炼实现可控文本分类

Simon Löwe, Emily Silcock

机构 * Burning Glass Institute（Burning Glass研究院） ； Harvard University（哈佛大学） 纠错

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

AI总结 提出一种基于多智能体（提议者、合成者、审计者、调查者、批评者）的自适应文本聚类方法，通过编排器LLM动态调整聚类流程，在七个公开基准上实现最先进性能，ARI最高提升32%。

Multi-Agent Computer Use

多智能体计算机使用

Jing Yu Koh, Ruslan Salakhutdinov, Daniel Fried

机构 * 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)；planning(abstract)；分类 cs.CL、cs.LG

AI总结 针对单智能体计算机使用代理在复杂长时任务中的不足，提出多智能体计算机使用系统，通过有向无环图分解任务并并行执行，在多个基准测试上提升3.4-25.5%性能，并加速任务完成时间约1.5倍。

Generative Multi-Robot Motion Planning via Diffusion Modeling with Multi-Agent Reinforcement Learning Guidance

基于扩散建模与多智能体强化学习引导的生成式多机器人运动规划

Suk Ki Lee, Venkata Sai Deepak Mutta, Hyunwoong Ko

机构 * School of Manufacturing Systems and Networks, Arizona State University, Mesa, AZ（1制造系统与网络学院，亚利桑那州立大学，梅萨，AZ） ； Michael W. Hall School of Mechanical Engineering, Mississippi State University, Starkville, MS（2迈克尔·W·霍尔机械工程学院，密西西比州立大学，斯塔克维尔，MS） 纠错

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

AI总结 提出一种结合扩散模型与多智能体强化学习的框架，通过值函数引导反向扩散过程实现交互感知的轨迹生成，降低多机器人冲突率。

Comments 11 pages, 6 figures, 1 table. This paper has been accepted for publication in the proceedings of ASME IDETC-CIE 2026

Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration

迈向虚拟神经科学家：基于多智能体协作的自主神经影像分析

Keqi Han, Songlin Zhao, Yao Su, Xiang Li, Yixuan Yuan, Lifang He, Carl Yang

机构 * Emory University（埃默里大学） ； Lehigh University（莱斯大学） ； Worcester Polytechnic Institute（沃思堡理工学院） ； Massachusetts General Hospital（麻省总医院） ； Harvard University（哈佛大学） ； Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 提出NEXUS多智能体框架，通过代码中心执行和分层验证实现自主神经影像分析，在ADHD-200和ADNI数据集上优于传统工作流。

A Sheaf Framework for Strategic Multi-Agent Systems: From Consensus to Nash Equilibria

面向策略性多智能体系统的层框架：从共识到纳什均衡

Manuel Hernández, Eduardo Sánchez-Soto

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

AI总结 本文提出一个统一的范畴框架，通过引入博弈层概念，将事件演算、SCEL类集成形成和博弈论奖励结构整合到时空历史的格罗滕迪克拓扑中，并证明纳什均衡对应于派生最佳响应对应层的全局截面，而同调障碍分类策略一致性的失败。

Network Distributed Multi-Agent Reinforcement Learning for Consensus Control of Quadcopters

网络分布式多智能体强化学习用于四旋翼无人机一致性控制

Youssef Mahran, Zeyad Gamal, Aamir Ahmad, Ayman El-Badawy

机构 * Mechatronics Engineering Department, German University in Cairo (GUC), Egypt（埃及德国大学（GUC）机械工程系） ； Institute of Flight Mechanics and Control (IFR), Head of Flight Robotics, University of Stuttgart, Germany（德国斯图加特大学飞行力学与控制研究所） ； Faculty of EMS, Head of Mechatronics Engineering Department, German University in Cairo (GUC), Egypt（埃及德国大学（GUC）EMS学院） 纠错

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 提出网络分布式多智能体强化学习框架，利用通信图实现分布式策略，通过MASAC训练高层规划器，实现零样本扩展到250个智能体。

Comments This is the Author Accepted Manuscript version of a paper accepted for publication. The final published version is available via IEEE Xplore

Journal ref 2026 IEEE 23rd Mediterranean Electrotechnical Conference (MELECON)

Bridging Requirements and Architecture: Multi-Agent Orchestration with External Knowledge and Hierarchical Memory

桥接需求与架构：基于外部知识和分层记忆的多智能体编排

Ruiyin Li, Yiran Zhang, Xiyu Zhou, Yangxiao Cai, Peng Liang, Weisong Sun, Jifeng Xuan, Zhi Jin, Yang Liu

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； 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)；workflow(abstract)；分类 cs.AI、cs.SE

AI总结 提出MAAD框架，通过编排四个专业智能体（分析师、建模师、设计师、评估师），结合RAG注入架构标准与分层记忆机制，自动将需求规格转化为多视图架构蓝图并评估质量属性。

Comments 39 pages, 7 images, 5 tables, Manuscript submitted to a Journal (2026)

Beyond End-to-End Video Models: An LLM-Based Multi-Agent System for Educational Video Generation

超越端到端视频模型：基于LLM的多智能体系统用于教育视频生成

Lingyong Yan, Jiulong Wu, Dong Xie, Weixian Shi, Deguo Xia, Jizhou Huang

机构 * Baidu Inc.（百度公司） 纠错

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

AI总结 提出LASEV，一种基于LLM的分层多智能体系统，通过将教育视频生成分解为多个专业智能体协作，解决端到端模型在逻辑严谨性和知识表示方面的不足，实现低成本、高吞吐量的自动化教学视频生产。

Comments Accepted at ACM SIGKDD 2026 (KDD '26), Applied Data Science Track. 10 pages, 2 figures, 5 tables. The project is available at \url{https://robitsg.github.io/LASEV}

MARFT: Multi-Agent Reinforcement Fine-Tuning

MARFT: 多智能体强化微调

Junwei Liao, Muning Wen, Jun Wang, Weinan Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； OPPO Research Institute（OPPO研究院） 纠错

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

AI总结 针对基于大语言模型的多智能体系统，提出多智能体强化微调（MARFT）框架，通过引入Flex-MG马尔可夫博弈公式和通用算法，解决异步交互、异构架构等挑战，提升系统鲁棒性和适应性。

Comments 37 pages

Recognize Your Orchestrator: An Entropy Dynamics Perspective for LLM Multi-Agent Systems

识别你的编排器：面向LLM多智能体系统的熵动力学视角

Junze Zhu, Weihao Chen, Xuanwang Zhang, Zhen Wu, Xinyu Dai

机构 * Junze Zhu, Weihao Chen, Xuanwang Zhang, Zhen Wu, Xinyu Dai（朱俊泽、陈伟浩、张轩望、伍震、戴新宇） 纠错

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

AI总结 提出平均场熵动力学框架，通过逆工作流生成（IWG）合成高复杂度基准，揭示推理型模型作为编排器时因上下文压缩而失效的“推理陷阱”，为多智能体系统架构设计提供物理可解释参数。

SS-ZKR: Spatial-Semantic Zero-Knowledge Routing for Privacy-Preserving Multi-Agent Collaboration

SS-ZKR：面向隐私保护多智能体协作的空间语义零知识路由

Hassan Touheed

机构 * Linux Foundation（Linux基金会） ； Google（谷歌） ； W3C（万维网联盟） 纠错

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

AI总结 提出SS-ZKR协议，通过差分隐私语义意图向量、自适应净化和空间到密码策略编译器三种机制，在不解密负载的情况下实现跨组织信任边界的内容感知语义路由。

RADAR: Redundancy-Aware Diffusion for Multi-Agent Communication Structure Generation

RADAR：面向多智能体通信结构生成的冗余感知扩散方法

Zhen Zhang, Wanjing Zhou, Juncheng Li, Hao Fei, Jun Wen, Wei Ji

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出一种基于条件离散图扩散模型的冗余感知生成框架RADAR，通过逐步生成通信拓扑并利用图有效尺寸引导，在六项基准上实现更高准确率、更低令牌消耗和更强鲁棒性。

Comments Accepted by ICML 2026 (fix typos)

FinCom: A Financial Multi-Agent Demo with Disagree-or-Commit Deliberation

FinCom: 一个具有“异议或承诺”审议机制的金融多智能体演示

Chao Peter Yang, Zixiao Tan, Kaisen Yao, Ziyu Zhou, Eleanor Jiang, Michael Wu

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

AI总结 针对金融多智能体系统中存在的谄媚问题，提出基于“异议或承诺”协议的FinCom框架，通过结构化异议提升推理准确性和风险意识。

The Cartan-Topos Protocol: A Unified Geometric and Categorical Framework for Resilient Multi-Agent Coordination

Cartan-Topos协议：弹性多智能体协调的统一几何与范畴框架

Manuel Hernández, Eduardo Sánchez-Soto

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

AI总结 针对连续欧几里得共识在非完整约束下失效、离散符号逻辑在开放世界假设下崩溃的问题，提出一种统一几何与范畴框架，通过黎曼质心流、克利福德代数表示、细胞层和Cartan连接实现弹性多智能体协调，并利用层论规划进行弹性时间推理。

How Generation Architecture Shapes Code Complexity in Multi-Agent LLM Systems: A Paired Study on HumanEval

生成架构如何塑造多智能体LLM系统中的代码复杂度：基于HumanEval的配对研究

Nazmus Ashrafi

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

AI总结 通过配对实验比较六种多智能体架构在HumanEval上的代码复杂度，发现架构复杂度与功能正确性无正相关，最简架构在准确率上持平或超越复杂架构。

Comments 16 pages, 7 figures, 7 tables

LLM Consortium for Software Design Refinement: A Controlled Experiment on Multi-Agent Collaboration Topologies

LLM联盟用于软件设计精化：多智能体协作拓扑的受控实验

Nagarjuna Kanamarlapudi, Praveen K

机构 * LLM Consortium for Software Design Refinement（软件设计精炼LLM联盟） 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 通过受控实验评估12种多智能体LLM协作拓扑在软件架构设计中的表现，发现结构对抗变体（v4b）和跨模型评审（v2）排名前二，并行合并因令牌饥饿和弗兰肯斯坦效应表现最差。

Comments 12 pages, 9 figures, 5 tables

Multi-Agent Conformal Prediction with Personalized Statistical Validity

具有个性化统计有效性的多智能体共形预测

Martin V. Vejling, Christophe A. N. Biscio, Adrien Mazoyer, Petar Popovski, Shashi Raj Pandey

机构 * Department of Electronic Systems（电子系统系） ； Aalborg University（奥尔堡大学） ； Department of Mathematical Sciences（数学科学系） ； Institut de Mathématiques de Toulouse（图卢兹数学研究所） ； Université de Toulouse（图卢兹大学） 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 提出个性化联邦加权共形预测框架，通过局部密度比加权和加权分位数聚合，在保护隐私的同时纠正数据异质性，为每个参与智能体提供渐近有效的边际和校准条件覆盖保证。

LLM-Guided Communication for Cooperative Multi-Agent Reinforcement Learning

LLM引导的通信用于合作多智能体强化学习

Sangjun Bae, Yisak Park, Sanghyeon Lee, Seungyul Han

机构 * KAIST（韩国科学技术院） 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 提出LMAC框架，利用大语言模型的推理能力设计通信协议，使所有智能体尽可能准确一致地重建底层状态，从而提升多智能体强化学习中的状态重建和性能。

Comments 9 pages for main, 32 pages for total, Accepted to ICML 2026

Large Language Model Guided Incentive Aware Reward Design for Cooperative Multi-Agent Reinforcement Learning

大语言模型引导的激励感知奖励设计用于合作多智能体强化学习

Dogan Urgun, Gokhan Gungor

机构 * Department of Electrical and Electronics Engineering（电气与电子工程系） ； Karabuk University（卡拉博克大学） ； Department of Mechatronics Engineering（机械工程系） 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 提出利用大语言模型自动生成可执行奖励程序，结合多智能体近端策略优化训练，在Overcooked-AI环境中显著提升合作任务回报。

MASCOT: Towards Multi-Agent Socio-Collaborative Companion Systems

MASCOT: 迈向多智能体社会协作伴侣系统

Yiyang Wang, Yiqiao Jin, Alex Cabral, Josiah Hester

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 针对多智能体系统中的人格崩溃和社会谄媚问题，提出MASCOT框架，通过双层优化策略（人格感知行为对齐与协作对话优化）提升角色一致性和对话贡献。

Comments 15 pages, 9 figures. https://hello-diana.github.io/MASCOT/

MOC: Multi-Order Communication in LLM-based Multi-Agent Systems

MOC：基于LLM的多智能体系统中的多阶通信

Yao Guan, Lin Wang, Zhihu Lu, Ziyi Wang, Wenzhu Yan, Qiang Duan

机构 * Fudan University（复旦大学） ； Nanjing Normal University（南京师范大学） ； Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 提出多阶通信（MOC）方案，通过重构智能体间通信以捕获多跳依赖，并设计结构消息合并策略，在多个数据集上提升任务性能并降低通信成本。

Coordination Graphs for Constrained Multi-Agent Reinforcement Learning

约束多智能体强化学习的协调图

Santiago Amaya-Corredor, Miguel Calvo-Fullana, Anders Jonsson

机构 * Department of Electrical and Computer Engineering, Linköping University（1 链çe普大学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.AI

AI总结 提出CG-CMARL框架，利用协调图和拉格朗日对偶分解联合动作空间与约束耦合问题，实现独立于智能体数量的模型学习，并通过Max-Sum消息传递和拉格朗日乘子控制目标-约束权衡，生成帕累托前沿。

Comments Accepted at the Reinforcement Learning Conference (RLC) 2026. 40 pages (12 main + 28 appendix), 5 figures, 16 tables, 7 theorems

POIROT: Interrogating Agents for Failure Detection in Multi-Agent Systems

POIROT: 在多智能体系统中审讯智能体以进行故障检测

Iñaki Dellibarda Varela, R. Sendra-Arranz, Pablo Romero-Sorozabal, J. M. Valverde-García, Annemarie F. Laudanski, Álvaro Gutiérrez, Eduardo Rocon, Manuel Cebrian

机构 * Center for Automation and Robotics, Spanish National Research Council (CSIC-UPM)（自动化研究中心，西班牙国家科研 council (CSIC-UPM)） 纠错

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

AI总结 提出POIROT协议，利用多智能体系统自身的智能体作为诊断层进行故障检测，在复杂问题、多智能体和复合故障条件下优于单LLM评估基线。

Comments 44 pages, 6 figures

Dynamic Trust-Aware Sparse Communication Topology for LLM-Based Multi-Agent Consensus

基于动态信任感知的稀疏通信拓扑用于基于LLM的多智能体共识

Wanshuang Gou, Zihan Liu

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出DySCo动态稀疏共识机制，通过信任感知的边选择降低通信开销并保持共识质量。

Comments 11 pages, 3 figures, 5 tables

Digital Twin-Assisted Adaptive Multi-Agent DRL for Intelligent Spectrum and Resource Management in Open-RAN UAV-Enabled 6G Networks

数字孪生辅助的自适应多智能体深度强化学习用于Open-RAN无人机赋能6G网络中的智能频谱与资源管理

Marwan Dhuheir, Thang X. Vu, Symeon Chatzinotas

机构 * University of Cambridge（剑桥大学） ； University of Bristol（布里斯托大学） 纠错

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

AI总结 针对无人机辅助6G网络中动态频谱与资源管理难题，提出数字孪生辅助的自适应深度强化学习框架，结合粒子群优化轨迹与多智能体DRL分配资源，显著提升频谱效率、数据速率和能量利用率。

Comments accepted and presented at IEEE ICC-2026 conference paper

When Parallelism Pays Off: Cohesion-Aware Task Partitioning for Multi-Agent Coding

当并行性有回报时：面向多智能体编码的凝聚力感知任务划分

Xu Yang, Lunyiu Nie, Ethan Chandra, Stanislav Gannutin, Fangru Lin, Swarat Chaudhuri

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Oxford（牛津大学） 纠错

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

AI总结 提出Co-Coder方法，通过静态分析构建依赖图、社区检测划分图及依赖感知调度，在仓库级软件工程中平衡通信与计算开销，实现多智能体并行编码的效率和成本优化。

Not All Flips Are Conformity: Decomposing Stance Convergence in Multi-Agent LLM Debate

并非所有翻转都是顺从：多智能体LLM辩论中的立场趋同分解

Xiqi Hao, Zengqing Wu, Yu-Xuan Qiu, Chuan Xiao, Ruiqi Xu, Shuyuan Zheng, Jianbin Qin

机构 * Beijing Institute of Technology（北京理工大学） ； University of Osaka（大阪大学） ； Shenzhen University（深圳大学） 纠错

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

AI总结 通过三源分解框架，将多智能体辩论中的答案趋同分解为自发不稳定性、立场诱导的从众和推理诱导的说服，并揭示从众主要是有害的，可通过干预降低。

Scaling Behavior of Single LLM-Driven Multi-Agent Systems

单一LLM驱动的多智能体系统的扩展行为

Jialing Li, Zhouhong Gu, Yin Cai, Hongwei Feng

机构 * Fudan University（复旦大学） 纠错

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

AI总结 本文通过提出顺序迭代多智能体系统（SIMAS）框架，系统研究了同质多智能体系统性能随智能体数量变化的扩展规律，发现性能并非单调提升，而是受协作协同与协调开销之间的权衡支配，呈现收益递减模式。