AI Agent

Agentic Knowledge Tracing: A Multi-Agent LLM Architecture for Stealth Assessment of Financial Literacy in Serious Games

Agentic知识追踪：用于严肃游戏中金融素养隐形评估的多智能体大语言模型架构

Gabriel Santos, Rita Julia, Marcelo Nascimento

机构 * Federal University of Uberlândia Computer Science Faculty（伯南布哥联邦大学计算机科学学院） 纠错

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

AI总结 提出多智能体大语言模型架构Agentic BKT，通过四阶段流程从严肃游戏事件中隐形评估金融素养，实验表明其预测效度显著优于单智能体基线。

Comments 8 pages, 5 figures, IEEE CoG 2026

Unlocking Model Potentials Through Adaptive Multi-Agent Scaffolding for Efficient Issue Resolution

通过自适应多智能体脚手架解锁模型潜力以实现高效问题解决

Yang Chen, Aliya Ahmad, Yiheng Zhou, Reyhaneh Jabbarvand

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

AI总结 提出icat-agent，一种去中心化多智能体脚手架，通过基于事件的消息传递和基于规则的质量检查策略，显著提升复杂软件问题解决效率，在SWE-bench基准上超越现有方法。

BrainAgent: A Large Language Model-Driven Multi-Agent Framework for Autonomous Brain Signal Understanding

BrainAgent：一种大语言模型驱动的多智能体框架，用于自主脑信号理解

Yangxuan Zhou, Sha Zhao, Jiquan Wang, Shijian Li, Gang Pan

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

AI总结 提出LLM驱动的多智能体框架BrainAgent，通过分层架构将自然语言意图转化为可执行的处理流水线，实现脑信号分析的自动化与民主化。

Comments 22 pages, 11 figures

Adaptive-Horizon Conflict-Based Search for Closed-Loop Multi-Agent Path Finding

自适应视界冲突搜索用于闭环多智能体路径规划

Jiarui Li, Federico Pecora, Runyu Zhang, Gioele Zardini

机构 * Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院） ； Schwarzman College of Computing（施瓦茨曼计算学院） 纠错

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

AI总结 提出ACCBS算法，通过动态调整规划视界和重用约束树，在有限计算预算下快速生成高质量可行解，兼具渐近最优性和扰动适应性。

Low Variance Trust Region Optimization with Independent Actors and Sequential Updates in Cooperative Multi-agent Reinforcement Learning

低方差信任区域优化：合作多智能体强化学习中的独立参与者与顺序更新

Bang Giang Le, Viet Cuong Ta

机构 * Human Machine Interaction Laboratory（人机交互实验室） 纠错

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

AI总结 针对合作多智能体强化学习中顺序更新导致优势函数方差指数级增长的问题，提出裁剪目标控制优势波动上限，实现亚线性收敛到ε-纳什均衡，并在三个基准测试中优于基线方法。

Journal ref utonomous Agents and Multi-Agent Systems 39.1 (2025): 12

Multi-Agent Goal Recognition with Team- and Goal-Conditioned Reinforcement Learning and Factorized Branch-and-Bound

基于团队与目标条件强化学习和因子化分支定界的多智能体目标识别

Thiago Thomas, Gabriel de Oliveira Ramos, Felipe Meneguzzi

机构 * Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)（里约格兰德杜斯阿伦斯天主教大学） ； Universidade do Vale do Rio dos Sinos (Unisinos)（里约斯inos大学） ； University of Aberdeen（阿伯丁大学） 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MAGR-BB方法，利用共享的团队与目标条件策略作为评分模型，结合因子化分支定界搜索，从轨迹中联合推断智能体分组及团队目标，在基准测试中大幅降低假设空间并缩短识别时间。

Comments 12 pages, 1 figure, 2 tables

To Isolate or to Score? Model-Adaptive Assessment for Cost-Efficient Multi-Agent RAG

隔离还是评分？面向成本高效的多智能体RAG的模型自适应评估

Jungseob Lee, Chanjun Park, Heuiseok Lim

机构 * Korea University（高丽大学） ； Soongsil University（崇实大学） 纠错

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

AI总结 针对多智能体文档评估中计算成本高的问题，研究训练无关干预方法，发现弱基线模型受益于文档隔离而非评分，强基线模型则依赖评分质量，提出MADARA模型自适应路由架构，实现零样本泛化并降低计算开销。

Comments 23 pages, 2 figures, 19 tables. Code: https://github.com/js-lee-AI/MADARA

GCT-MARL: Graph-Based Contrastive Transfer for Sample-Efficient Cooperative Multi-Agent Reinforcement Learning

GCT-MARL: 基于图对比迁移的样本高效合作多智能体强化学习

Animesh Animesh, Satheesh K Perepu, Kaushik Dey

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GCT-MARL框架，利用多视图图对比学习和自适应加权对齐损失，结合两阶段训练协议，实现跨不同规模和组成群体的高效迁移，显著加速目标任务收敛。

Comments Accepted at The Continual RL Workshop, RLC 2026

Skill-MAS: Evolving Meta-Skill for Automatic Multi-Agent Systems

Skill-MAS: 演化元技能以自动生成多智能体系统

Hehai Lin, Qi Yang, Chengwei Qin

机构 * Ant Group（蚂蚁集团） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 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Skill-MAS，通过将高层编排能力解耦为可演化的元技能，在无需参数更新的情况下实现经验保留，利用多轨迹采样和选择性反思优化元技能，在多个基准和LLM上取得显著性能提升且成本可控。

Probabilistic Agents in Deterministic Audits: Evaluating Multi-Agent Systems for Automated Audits Based on the German IT-Grundschutz

确定性审计中的概率性智能体：基于德国IT-Grundschutz的自动化审计多智能体系统评估

Lea Roxanne Muth, Marian Margraf

机构 * Department of Mathematics and Computer Science（数学与计算机科学系） ； Freie Universität Berlin（柏林自由大学） 纠错

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

AI总结 提出结合混合检索增强生成的多智能体系统架构，通过假设验证循环和解耦推理流水线部分自动化IT-Grundschutz认证，实验表明在语义任务上高效但在逻辑推理阶段受限于LLM的概率性。

Comments Accepted for publication at the 2026 IEEE International Systems Conference (SysCon), Halifax, NS, Canada, April 6-9, 2026. 8 pages, 1 figure

IntentTester: Intent-Driven Multi-agent Framework for Cross-Library Test Migration

IntentTester：面向意图驱动的跨库测试迁移多智能体框架

Yi Gao, Ziyuan Zhang, Xing Hu, Xiaohu Yang, Xin Xia

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

AI总结 提出IntentTester多智能体框架，通过将测试抽象为语言无关的测试描述语言（TDL），结合知识图谱对齐语义实体，并利用LLM推理与迭代验证生成可执行测试，实现跨库跨语言测试迁移，在9个开源项目上生成2776个测试，正确率85%，有效性74%，并发现多处隐藏缺陷。

Offline Multi-agent Continual Cooperation via Skill Partition and Reuse

基于技能划分与复用的离线多智能体持续协作

Yuchen Xiao, Lei Yuan, Ruiqi Xue, Tieyue Yin, Yang Yu

机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； Polixir Technologies.（Polixir技术公司） ； Kuang Yaming Honors School, Nanjing University（匡杨明荣誉学院，南京大学） 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COMAD框架，通过自编码器从离线数据中发现可复用技能，并利用密度估计器指导优势函数，解决多智能体持续学习中的灾难性遗忘和干扰问题。

Comments 29 pages, 12 figures, ICML 2026

Stagnant Neuron: Towards Understanding the Plasticity Loss in Multi-Agent Reinforcement Learning Value Factorization Methods

停滞神经元：理解多智能体强化学习价值分解方法中的可塑性损失

Zhengzhu Liu, Zeming Gao, Haoyuan Qin, Jiawei Hu, Junhao Wu, Miao Zhu, Haipeng Zhang, Chennan Ma, Siqi Shen, Cheng Wang

机构 * Fujian Key Laboratory of Urban Intelligent Sensing and Computing, School of Informatics, Xiamen University (XMU)（福建省城市智能感知与计算重点实验室，厦门大学信息学院） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, XMU（多媒体可信感知与高效计算重点实验室，厦门大学） 纠错

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

AI总结 针对多智能体强化学习价值分解方法在任务迁移中可塑性下降的问题，提出KNIFE方法，通过替换停滞神经元为包含冻结知识、重初始化活跃和补偿三个组件的复合单元，恢复学习能力并保持已有知识。

MANGO: Automated Multi-Agent Test Oracle Generation for Vision-Language-Action Models

MANGO: 面向视觉-语言-动作模型的自动化多智能体测试预言生成

Pablo Valle, Shaukat Ali, Aitor Arrieta, Lionel Briand

机构 * Mondragon University（蒙得龙大学） ； Simula Research Laboratory（Simula研究实验室） ； University of Ottawa（渥太华大学） ； Research Ireland Lero Centre for Software（爱尔兰Lero软件研究中心） 纠错

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

AI总结 提出MANGO多智能体框架，从自然语言任务描述自动生成细粒度测试预言，通过协作智能体迭代精炼，在机器人基准测试中有效检测故障并定位。

Bridging the Post-discharge Gap: A Traceable Multi-agent Framework for Safe and Continuous Care

弥合出院后鸿沟：用于安全持续护理的可追溯多智能体框架

Runwei Guan, Yi Zhou, Heyi Lin, Jinjing Zhu, Mingyuan Hou, Yang Yang, Fang Yuan, Xiaohong Lin, Shaofeng Liang, Xuming Hu, Tao Li, Tianbin Zhao, Yutao Yue, Zhiyuan Wang, Hui Xiong

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

AI总结 提出Healink框架，通过记忆增强的多智能体架构和约束检索生成，实现基于处方的可追溯出院后随访，在回顾性和盲评中优于医生基线。

Comments 23 pages, 10 figures

EvoFlock: evolved inverse design of multi-agent motion

EvoFlock：多智能体运动的进化逆向设计

Craig Reynolds

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

AI总结 提出一种基于遗传算法的逆向设计方法，通过用户定义的目标函数自动优化多智能体运动模型的参数，实现期望的群体行为。

Comments To appear in the Proceedings of Artificial Life 2026

Pixel2Catch: Multi-Agent Sim-to-Real Transfer for Agile Manipulation with a Single RGB Camera

Pixel2Catch：基于单个RGB相机的多智能体仿真到现实迁移用于敏捷操作

Seongyong Kim, Junhyeon Cho, Kang-Won Lee, Soo-Chul Lim

机构 * Dongguk University（东国大学） 纠错

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

AI总结 本文提出Pixel2Catch方法，通过单个RGB相机提取像素级视觉信息，实现多智能体仿真到现实迁移，用于敏捷操作中的物体捕捉任务。

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 8, pp. 9287-9294, Aug. 2026

EvoAgent: An Evolvable Agent Framework with Skill Learning and Multi-Agent Delegation

EvoAgent：一种具备技能学习和多智能体委托的可进化代理框架

Aimin Zhang, Jiajing Guo, Fuwei Jia, Chen Lv, Boyu Wang, Fangzheng Li

机构 * Focus AI Center, Focus Technology Co., Ltd.（Focus技术有限公司人工智能中心） ； Engineering Research Center of Digital Forensics, Ministry of Education, Nanjing University of Information Science and Technology（信息科学技术大学南京教育部长数字取证工程研究中心） ； Nanjing University of Science and Technology（南京理工大学） 纠错

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

AI总结 本文提出EvoAgent框架，通过结构化技能学习与分层子代理委托机制，实现技能的持续生成与优化，并通过实验展示其在外贸场景中的显著提升。

Reference-Free Heterogeneous Multi-Agent Reinforcement Learning for Grid-Friendly Tie-Line Power Shaping in Industrial Microgrids

无参考异构多智能体强化学习实现工业微电网并网友好型联络线功率整形

Daniyaer Paizulamua, Lin Cheng, Fashun Shi, Haoyu Zheng, Pengfei He, Haiwang Zhong

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

AI总结 提出顺序异构智能体协调框架，通过多时间尺度异构资源协同，实现无参考轨迹的联络线功率整形，显著降低购电成本、合同越限时间和爬坡越限。

Agentic evolution of physically constrained foundation models

物理约束基础模型的智能体演化

Jiangwei Zhang, Wen Sun, Chong Wang, Shiyao Li, Cheng Che, Chunjing Han, Dan Meng, Jian Yang, Yu Wang, Rui Hou

机构 * University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 提出基于演化知识图谱的多智能体发现引擎，自动设计硬件兼容计算系统，在基础模型部署中演化出超越人工的压缩方法，实现大规模模型高效部署。

Comments 29 pages, 5 main figures and 4 extended data figures

The Epi-LLM Framework: probing LLM behavioral priors through epidemiological agent-based models

Epi-LLM框架：通过流行病学基于智能体的模型探究LLM行为先验

Petra Ferencz, Ava Keeling, Tobias O'Keefe, Lorenzo Stigliano, Francesco Di Lauro, Andres Colubri, Jasmina Panovska-Griffiths

机构 * Big Data Institute, Li Ka Shing Center for Health Information and Discovery, University of Oxford, Oxford, United Kingdom（大数据研究所、李嘉诚健康信息与发现中心、牛津大学、牛津、英国） ； Leverhulme Centre for Demographic Science, Nuffield Department of Population Health, University of Oxford, Oxford, United Kingdom（勒弗赫姆人口科学中心、努尔菲尔德人口健康系、牛津大学、牛津、英国） ； Pandemic Sciences Institute, Nuffield Department of Medicine, University of Oxford, Oxford, United Kingdom（流行病学科学研究所、努尔菲尔德医学系、牛津大学、牛津、英国） ； Department of Genomics and Computational Biology, UMass Chan Medical School, United States（基因组与计算生物学系、UMass Chan医学学校、美国） ； Broad Institute of Harvard and MIT, United States（哈佛大学和麻省理工学院Broad研究所、美国） ； The Queen’s College, University of Oxford, Oxford, United Kingdom（女王学院、牛津大学、牛津、英国） 纠错

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

AI总结 提出Epi-LLM框架，整合基于智能体的建模、真实流行病游戏和大语言模型，模拟疫情中智能体行为，发现LLM智能体减少峰值感染，感知健康严重性是隔离行为最强预测因子，且LLM架构影响疫情动态。

Comments Submitted to American Journal of Epidemiology

The Clinician's Veto: Navigating Trust, Liability, and Uncertainty in Autonomous AI Prescribing

临床医生的否决权：自主AI处方中的信任、责任与不确定性导航

Eileanor LaRocco, Sarah Tan, Adarsh Subbaswamy, Anne Andrews, Andrew Taylor, Cree Gaskin, Chirag Agarwal

机构 * University of Virginia（弗吉尼亚大学） ； Cornell University（康奈尔大学） ； University of Maryland, Baltimore（马里兰大学巴尔的摩分校） ； National Institute of Standards and Technology（美国国家标准与技术研究院） 纠错

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

AI总结 本文提出自主AI处方系统应具备校准置信度、区分认知与偶然不确定性、以及决策时推理透明性三个最低架构要求，并通过136名美国临床医生调查验证，以促进临床采纳并合理分配责任。

Decoupling Reconnaissance and Exploitation: Measuring the Capability Boundaries of LLM-Based Web Penetration Testing

解耦侦察与利用：测量基于LLM的Web渗透测试的能力边界

Liwei Yu, Shuo Li, Ming Zhou, Ge Chu, Yan Guo

机构 * University of Science and Technology of China（中国科学技术大学） ； Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州先进研究院） ； Nanjing University of Science and Technology（南京理工大学） ； Research Institute, Runjian Co., Ltd（润杰有限公司研究院） 纠错

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

AI总结 提出解耦评估框架分离侦察与利用阶段，发现LLM代理在准确漏洞上下文下功能成功率可达90.0%，但自主侦察召回率仅约50.0%，揭示了能力差距。

SwarmFly: A simulation platform for UAV swarm experiment design and validation

SwarmFly: 用于无人机集群实验设计与验证的仿真平台

Abhishek Phadke, Karthik Kumar Vasudeva, Abhishek Joshi

机构 * Christopher Newport University（克里斯托弗·纽波特大学） ； Texas Tech University（德克萨斯理工大学） ； Texas A&M University-Corpus Christi（德克萨斯A&M大学科珀斯克里斯蒂分校） 纠错

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

AI总结 提出基于MATLAB的模块化仿真平台SwarmFly，通过插件架构和四种协调模式，支持多无人机集群实验设计、故障注入及性能验证。

Every Nonnegative Integer Is a Sum of a Triangular, a Pentagonal, and a Heptagonal Number

每个非负整数都是三角形数、五边形数和七边形数之和

Yichuan Cao, Dakai Guo, Ruichen Qiu, Ruyong Feng, Xiao-Shan Gao

专题命中 多智能体 ：agent(abstract,abstract_cn)

AI总结 本文证明任何非负整数可表示为三个特定多边形数之和，解决了OEIS A287616猜想，并通过Lean 4形式化验证。

Comments 23 pages

CKM-Driven Communication-Aware UAV Intelligent Trajectory Optimization for Urban Inspection

CKM驱动的城市巡检通信感知无人机智能轨迹优化

Yang Xiaomeng, Jia Ziye, Zhu Qiuming, Wu Qihui

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） 纠错

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

AI总结 针对城市巡检中通信可靠性的挑战，提出基于信道知识图（CKM）的轨迹规划框架，利用扩散模型构建CKM并采用全局到局部图注意力网络软演员-评论家算法优化路径，提升轨迹效率与通信可靠性。

Swarm-Inspired Generation of Collective Behaviors in Graph Dynamical Systems

图动力系统中集体行为的群智能启发生成

Ji Chen, Song Chen, Chengzhang Gong, Li Fan, Chao Xu

机构 * Zhejiang University（浙江大学） ； Huzhou Institute of Zhejiang University（浙江大学湖州研究院） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 多智能体 ：agent(abstract)；分类 cs.LG

AI总结 提出SIES框架，结合显式动力学与局部智能体，学习可泛化的局部交互规则，实现图上的可控同步控制与异配图表示学习。

Model-Native Computing Architecture: Envisioning Future System Architecture Through the Lens of Computer Architecture

模型原生计算架构：通过计算机架构的视角展望未来系统架构

Hai Lin, Hoilam Pao, Shaoxiong Zhan, Hai-Tao Zheng

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Pengcheng Laboratory, Shenzhen, China（深圳鹏城实验室） 纠错

专题命中 多智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文通过类比计算机架构，提出模型原生计算的概念，并设计了一个六层智能计算架构模型（ICAM），以统一解决大语言模型在系统层面面临的缓存、上下文、调度等问题。

Accelerated Decentralized Constraint-Coupled Optimization: A Dual$^2$ Approach

加速去中心化约束耦合优化：一种双对偶方法

Jingwang Li, Vincent Lau

专题命中 多智能体 ：agent(abstract)

AI总结 针对去中心化约束耦合优化问题，提出基于双对偶方法的两种加速算法，在更宽松条件下保证渐近收敛，并实现更低的通信与计算复杂度。

Journal ref IEEE Transactions on Signal Processing, 2026