AI Agent

Bidirectional yet asymmetric causality between urban systems and traffic dynamics in 30 cities worldwide

全球30个城市中城市系统与交通动态之间的双向但不对称因果关系

Yatao Zhang, Ye Hong, Song Gao, Martin Raubal

专题命中 规划决策 ：planning(abstract)

AI总结 研究全球30个城市中城市系统与交通动态的关系，提出时空因果框架，结合时空加权回归与收敛交叉映射，揭示双向不对称因果关系及三种因果原型，为可持续城市和交通规划提供策略依据。

Comments Published in Nature Communications

Journal ref Nature Communications 17, 4671 (2026)

AgentsCAD: Automated Design for Manufacturing of FDM Parts via Multi-Agent LLM Reasoning and Geometric Feature Recognition

AgentsCAD: 通过多智能体大语言模型推理和几何特征识别实现FDM零件的自动化制造设计

Emmanuel George, Christopher Keefe, Peter Pak, Amir Barati Farimani

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

AI总结 提出AgentsCAD多智能体系统，结合B-Rep几何解析与LLM推理，自动检测FDM零件悬垂缺陷并生成修改建议，输出修正STEP文件。

Collaborative Multi-Agent Testing for Emergent Failure Discovery in Autonomous Driving Systems

用于自动驾驶系统中突发故障发现的协作式多智能体测试

Ruizhen Gu, Konstantinos Koufos, Donghwan Shin, Vahid Garousi, Mehrdad Dianati

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

AI总结 研究针对自动驾驶系统故障发现问题，提出协作式多智能体测试框架CREAD，通过共享黑板和协调器组织相关功能，经实验验证该框架在不同环境下能有效提升故障发现率，是ADS突发行为发现的有前途方向。

Rethinking Query Optimization for Multi-Agent Systems [Vision]

重新思考多智能体系统的查询优化 [视觉]

Zoi Kaoudi, Ioana Giurgiu

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

AI总结 研究多智能体系统的查询优化问题，提出NOMA框架，针对其面临的多维搜索等挑战，通过控制实验揭示差异，最优计划为异构配置，实际部署存在低效率，还提出集成优化循环设定研究议程。

From Blueprint to Reality: Modeling and Applying Putnam's Social Capital Theory with LLM-based Multi-agent Simulations

从蓝图到现实：基于大语言模型的多智能体模拟对普特南社会资本理论的建模与应用

Shiyi Ling, Zhi Zheng, Hui Zheng, Wenjun Xue, Feng Ye, Tong Xu

机构 * University of Science and Technology of China（中国科学技术大学） ； Anhui University（安徽大学） ； North Automatic Control Technology Institute（北方自动控制技术研究所） 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 研究利用基于大语言模型的多智能体模拟框架SocaSim，对普特南社会资本理论进行建模与应用，通过构建特定环境及智能体实验分析智能老年护理挑战，重现宏观模式且具微观因果路径可解释性，弥合了社会科学与计算机科学。

Comments 23 pages, 13 figures, 11 tables

IMR: Iterative Mode-World Weighted Regression for Multi-Agent Trajectory Prediction

IMR：用于多智能体轨迹预测的迭代模式世界加权回归

Honglin Wang, Shiyao Pan, Yun-Fu Liu

机构 * EACON Fujian（福建易安科） 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 针对多智能体轨迹预测问题，提出模式世界加权回归损失及迭代解码器，减轻模式崩溃，提高预测准确性，在Argoverse 2多智能体运动预测基准测试中排名第一。

Decision Protocols in Multi-Agent Large Language Model Conversations

多智能体大语言模型对话中的决策协议

Lars Benedikt Kaesberg

机构 * GippLab（吉普实验室） 纠错

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

AI总结 研究多智能体大语言模型对话中的决策协议，通过MALLM框架实现并评估投票、共识和判断决策机制，考察其对多种任务的影响，发现共识协议在知识密集型领域出色，投票和判断协议对逻辑任务有效，增加响应多样性可提高决策质量。

Comments Master's thesis, University of Göttingen

Onnes: A Physics-Grounded Multi-Agent LLM Simulator for Cryogenic Fault Diagnosis in Quantum Computing Infrastructure

昂内斯：用于量子计算基础设施低温故障诊断的基于物理的多智能体大语言模型模拟器

Praneeth Narisetty, Uday Kumar Reddy Kattamanchi, Shiva Nagendra Babu Kore

机构 * Onnes Research（昂内斯研究公司） 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 研究针对量子计算基础设施中稀释制冷机故障诊断问题，提出基于物理的多智能体大语言模型模拟器昂内斯，通过数字孪生模拟结合真实数据与故障类别，经实验对比及优化提升分类准确率，实现对故障的有效监测与诊断。

Comments 18 pages, 14 figures, 10 tables. Code, data, and released run logs: https://github.com/Onnes-Research/onnes

Multi-Agent Deep Reinforcement Learning for Multi Objective Battery Management in Dairy Farms

用于奶牛场多目标电池管理的多智能体深度强化学习

Marcos Eduardo Cruz Victorio, Karl Mason

机构 * University of Galway（Galway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 针对爱尔兰奶牛场可再生能源整合问题，提出基于差分进化和多智能体深度强化学习的多目标优化控制系统，分两层进行控制，模拟结果显示该系统能提高能源套利利润、增加分布式发电使用且符合电网规范。

Comments 8 pages, 2 figures

Agents with Feelings? Personality and Emotion in Multi-Agent Software Teams

有情感的智能体？多智能体软件工程团队中的个性与情感

Yunyan Ding, Thomas Zimmermann, Iftekhar Ahmed

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

AI总结 研究多智能体软件工程团队中个性和情绪特征对团队绩效的影响，采用结合多种因素的心理学框架，通过对78种团队配置评估发现配置显著影响性能、协作及成本，表明智能体配置是重要设计维度。

CHARLIE: An On-Premise Multi-Agent Retrieval-Augmented Generation System for Evidential Reasoning in Forensic Science

CHARLIE：用于法医学证据推理的本地多智能体检索增强生成系统

Leandro D. Carneiro, Andre L. S. Meirelles, Juliano de A. Gomes, Rafael C. A. Cabral

机构 * Forensic Institute, Civil Police of Federal District, Brazil（巴西联邦区刑事研究所） ； University of Brasília, Brazil（巴西巴西利亚大学） 纠错

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

AI总结 介绍用于法医学证据推理的本地多智能体检索增强生成系统CHARLIE，通过结合多种机制应对取证挑战，在机构内运行维护数据主权等，经案例研究验证其能支持证据工作流程，为高风险取证环境部署AI系统提供蓝图。

Comments 10 pages, 1 figure. Archival version of a paper presented at RELAF 2026: 1st Workshop on Reasoning with Evidence in Law Enforcement and Forensics, co-located with ICAIL 2026, Singapore, June 2026

Hierarchical Multi-Agent Reinforcement Learning for Carbon-Aware AI Data Centers in Power Distribution Systems

配电系统中用于碳感知人工智能数据中心的分层多智能体强化学习

Hyunsoo Lee, Panggah Prabawa, Dae-Hyun Choi, Joongheon Kim

机构 * LG Electronics（LG电子） ； Department of Electrical and Computer Engineering（电气电子工程系） ； School of Electrical and Electronics Engineering（电气电子工程学院） 纠错

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

AI总结 针对人工智能数据中心能耗致碳排放增加问题，提出分层碳感知多智能体强化学习框架，含工作负载管理器和本地数据中心智能体，利用数据和碳强度分配任务、调度运行，在IEEE 33节点系统评估其有效性。

Delay-Aware Active Triangulation with Uncertainty-Driven Multi-Agent Reinforcement Learning for Counter-UAS

用于反无人机系统的基于不确定性驱动多智能体强化学习的延迟感知主动三角测量

Seungwook Lee, David Hyunchul Shim

机构 * Korea Advanced Institute of Science and Technology (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)

AI总结 针对反无人机系统中目标定位问题，提出延迟感知、不确定性驱动的多智能体强化学习框架。通过Dec-POMDP公式、控制比较及多源协方差传播等方法，实验表明该框架能有效提高三角测量有效性，降低RMSE，凸显循环记忆对延迟补偿的关键作用。

Comments Accepted to IROS 2026

Intercepting an Agile Target with Net-Carrying Drones using Competitive Multi-Agent Reinforcement Learning

使用竞争性多智能体强化学习，通过携带网的无人机拦截敏捷目标

Timothée Gavin, Murat Bronz

机构 * IAS, Thales LAS, Rungis, France（法国Thales LAS研究所） ； RIS, LAAS-CNRS Toulouse, France（法国CNRS实验室） 纠错

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

AI总结 研究用携带捕捉网的无人机团队拦截敏捷无人机的问题，采用带优先虚拟自我博弈的多智能体近端策略优化训练智能体，在高保真模拟器中用低级控制命令训练，结果表明该方案优于基线，且相关因素对追逃任务策略学习至关重要。

Journal ref 2026 International Conference on Unmanned Aircraft Systems (ICUAS), Jun 2026, Corfu, Greece

Sparse Sensor Placement in Multi-Agent Reinforcement Learning Control of Rayleigh-Bénard Convection

瑞利-贝纳德对流的多智能体强化学习控制中的稀疏传感器布置

Jan Stenner, Hans Harder, Sebastian Peitz

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

AI总结 本文通过多智能体强化学习，结合分组正则化蒸馏方法，实现瑞利-贝纳德对流控制中的稀疏传感器布置，在保持控制性能的同时大幅减少传感器数量。

Comments 28 pages, 11 figures, 1 table

A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models

基于物理的多智能体动力学世界模型基准

Nuo Chen, Lulin Liu, Zihao Li, Ziyao Zeng, Zihao Zhu, Wenyan Cong, Junyuan Hong, Yunhao Yang, Zhengzhong Tu, Yan Wang, Boris Ivanovic, Marco Pavone, Zhangyang Wang, Yang Zhou, Zhiwen Fan

机构 * Texas A&M University（德克萨斯大学） ； University of Minnesota（明尼苏达大学） ； Marquette University（马奎特大学） ； Yale University（耶鲁大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） 纠错

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

AI总结 提出CrashTwin框架，通过多智能体碰撞场景数据集和校准无关重建流程，从时空一致性、动量与动能守恒、世界动力学完整性三个维度评估世界模型的物理可信度。

Comments 34 pages, 9 figures, 12 tables

The Axiom of Consent: Friction Dynamics in Multi-Agent Coordination

同意公理：多智能体协调中的摩擦动力学

Murad Farzulla

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

AI总结 提出一个基于同意公理的协调摩擦形式化框架，定义核心三元组（对齐、利益、熵）和摩擦泛函，并通过多智能体强化学习实验发现线性对齐依赖被U型关系证伪，进而提出二次型改进。

Comments 94 pages; includes machine-checked Lean 4 proofs. v2: empirical-companion references reconciled to the companion's final findings; the MARL factorial appendix is split out to the companion paper; several formal statements corrected and honestly scoped; reference list repaired

Coupling Smoothed Particle Hydrodynamics with Multi-Agent Deep Reinforcement Learning for Cooperative Control of Point Absorbers

将光滑粒子流体动力学与多智能体深度强化学习结合以实现点吸收器的协同控制

Yi Zhan, Iván Martínez-Estévez, Min Luo, Alejandro J. C. Crespo, Abbas Khayyer

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

AI总结 本研究通过结合SPH与多智能体深度强化学习，开发了用于点吸收器协同控制的自适应阻尼控制模型，提高了波浪能转换器的能量捕获效率。

Journal ref Engineering Applications of Artificial Intelligence, Volume 181, Part 3, 115417, 2026

StateFuse: Deterministic Conflict-Preserving Memory for Multi-Agent Systems

StateFuse：用于多智能体系统的确定性冲突保留内存

Sergey Volkov, Yang Li, Ye Luo

机构 * The University of Hong Kong（香港大学） 纠错

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

AI总结 研究多智能体系统内存冲突问题，提出基于标准操作集/CRDT合并的StateFuse冲突感知复制内存契约，通过实验对比，表明其在矛盾呈现、弃权和校正方面更安全，可作为公共内存契约，而非单纯提升准确性。

Comments Code and supplementary materials available at: https://github.com/nZiben/statefuse

From Voting to Agent Collaboration: Answer-Type-Aware LLM Pipelines for BioASQ 14b

从投票到智能体协作：用于BioASQ 14b的答案类型感知大语言模型管道

Taeyun Roh, Eunha Lee, Wonjune Jang, Sohyun Chung, Junha Jung, Jaewoo Kang

机构 * Korea University（韩国大学） ； Myongji University（明知大学） ； AIGEN Sciences（爱根科学公司） 纠错

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

AI总结 该研究针对BioASQ 14b任务B提出特定问题类型的大语言模型框架，依据不同问题类型选择不同推理程序，如为是/否问题用片段洗牌等，经初步实验和官方评估，框架性能具竞争力，在第4批次事实性子任务中夺冠，证明相关方法结合的有效性。

Comments 15 pages

Prompt-to-Paper: Agentic AI System for Bioinformatics

从提示到论文：用于生物信息学的智能AI系统

Ramsha Kamran, Maheera Amjad, Zartasha Mustansar, Arsalan Shaukat, Salma Sherbaz, Muhammad U. S. Khan

机构 * School of Interdisciplinary Engineering and Sciences (SINES), National University of Sciences and Technology (NUST)（跨学科工程与科学学院（SINES），国立科技大学（NUST）） 纠错

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

AI总结 研究针对现有AI自动生成稿件系统的缺陷，提出Prompt-to-Paper多智能体框架。通过检索增强生成、自主编码实验及八维质量评分等创新，经质量驱动改进循环，在生物信息学案例中验证，有效提升稿件质量，成本低且获较好外部评价。

Comments NA

Agents That Teach: Towards Designing Incidental Learning Back into AI-Assisted Software Development

教学型智能体：将偶然学习重新融入人工智能辅助软件开发的设计探索

Rohit Mehra, Samdyuti Suri, Prithviraj K Tagadinamani, Kapil Singi, Vikrant Kaulgud, Adam P. Burden

机构 * Accenture Labs, India（Accenture实验室，印度） ； Accenture, USA（Accenture，美国） 纠错

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

AI总结 探讨人工智能编码智能体使开发者过度依赖而失去偶然学习机会并积累知识债务的问题，提出六项设计原则，展示基于“教学型智能体”概念的“SHIELD”系统，推动形成生产力与学习互补的学习感知开发环境。

Comments 5 pages. To be published in the proceedings of 41st International Conference on Automated Software Engineering (ASE '26), October 12-16, 2026, Munich, Germany (New Ideas and Emerging Results Track)

Articulating Assumptions in AI-Generated Scientific Analyses through Task Decomposition

通过任务分解阐明人工智能生成的科学分析中的假设

Ahmed Hammad, Mihoko Nojiri

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

AI总结 研究旨在解决大语言模型生成的科学分析结果的可理解性和可重现性问题，通过引入基于数量的语义差异多智能体框架及相关模块，经对撞机物理分析验证，模块化任务分解提升了透明度与可靠性，还能让小模型执行完整流程。

Comments 20 pages, 1 figure and 4 tabels

When Assisting One Disempowers Another

当帮助一方时却削弱了另一方

Claire Yang, Claire Jie Zhang, Maya Cakmak, Max Kleiman-Weiner

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 研究共享环境中人工智能助手行为，指出其可能无意削弱旁观者自主性，即旁观者赋权削弱。从理论上刻画赋权削弱产生条件，通过Disempower-Grid实证表明该现象存在，且受助手目标和能力影响大。

Comments v2: Updated title, added a co-author, extended theoretical analysis of bystander disempowerment, and added new experimental results

Collective Cognition in Hybrid Groups: A Network Science Synthesis

混合群体中的集体认知：网络科学综合研究

Babak Hemmatian, Razan Baltaji, Lav R. Varshney

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

AI总结 研究人工智能代理融入人类团队后混合系统中集体智能的产生，综合网络科学等多学科，通过注意力等视角分析不同网络中集体结果的塑造因素及扩展到混合环境的情况，确定鲁棒效应与需修正之处，得出对相关方面的启示。

Comments Non-authoritative author's version of forthcoming chapter in the Springer Nature Handbook of Hybrid Intelligence

MASCA: LLM based-Multi Agents System for Credit Assessment

MASCA：基于大语言模型的信用评估多智能体系统

Gautam Jajoo, Atharva Pandey, Pranjal A Chitale, Saksham Agarwal

机构 * Kairosity（凯罗斯蒂） 纠错

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

AI总结 研究信用评估问题，提出基于大语言模型的MASCA多智能体系统，采用分层架构，整合对比学习，从信号博弈论角度提供理论见解，进行偏差分析，实验证明该系统在金融应用尤其是信用评分中表现优于基线方法。

Comments Accepted at NeurIPS GenAI In Finance Workshop

Information Limits and Attractor Dynamics in Economies of Frontier LLM Agents: A Pre-Registered Test

前沿语言模型智能体经济中的信息限制与吸引子动力学：一项预注册测试

Cheng Qian

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 该研究对前沿语言模型智能体小型经济体进行预注册实验，测试耦合多智能体系统的两个预测。通过实验验证了比例投注耦合经济体中一些信息论相关定律，同时发现残差缩放测试结果否定了平滑平均场模型假设，还发布了相关代码等资料。

Comments 15 pages. Preprint. Zenodo: https://doi.org/10.5281/zenodo.21185866. Companion synthesis: arXiv:2606.12502

Detecting Vulnerability-Inducing Commits via Multi-Stage Reasoning with LLM-Based Agents

通过基于大语言模型的智能体进行多阶段推理来检测导致漏洞的提交

Liyou Chen, Hailong Sun, Xiang Gao, Yue Pan

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

AI总结 研究旨在检测导致漏洞的提交，提出基于大语言模型的多智能体框架VIC - RAGENT，利用多个专业智能体提供互补视角，通过多阶段推理过程完善候选漏洞，实验表明其性能优于基线，为VIC检测提供实用方案。

Federated Physics-Grounded Reinforcement Learning for Distributed Stability Control in Smart Grids

用于智能电网分布式稳定性控制的联邦物理基础强化学习

Omar Al-Refai, Ibrahim Shahbaz, Adam Ali Husseinat, Eman Hammad

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

AI总结 研究智能电网暂态稳定性控制问题，提出FedPPO-PG框架，将其转化为协作多智能体强化学习问题，通过物理基础邻域、引导策略初始化和集中评论家等方法，在模拟中取得良好效果，减少稳定时间、降低控制功率且满足实时要求。

Comments Accepted at IEEE SmartGridComm 2026. This is the accepted manuscript version. The final published version will appear in IEEE Xplore

Embodied Human-Robot Interaction via Acoustics: A MARL Approach with AcoustoBots for Spatial Data Physicalization

通过声学实现的具身化人机交互：一种用于空间数据物理化的多智能体强化学习方法及声控机器人

Shiqi Liu, Narsimlu Kemsaram, Prateek Mittal, Pengyuan Wei, Sriram Subramanian

机构 * University College London（伦敦大学学院） ； University of Malaya（马来亚大学） 纠错

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

AI总结 研究针对传统数据物理化局限，提出声控机器人平台，采用基于MADDPG算法的MARL策略及GS - PAT声学控制器，实现感知 - 显示 - 动作循环。通过试验评估单双机器人任务，结果显示悬浮稳定、成功率高且碰撞少，支持其用于具身化人机交互。

Comments This paper has been accepted for publication in the Proceedings of the 2026 International Conference on Robotic System and Artificial Intelligence (RSAI 2026), 10-12 July, 2026, Tokyo, Japan