AI Agent

Agentic ERP: Multi-Agent Large Language Model Architecture for Autonomous Enterprise Resource Planning

智能企业资源规划（Agentic ERP）：用于自主企业资源规划的多智能体大语言模型架构

Zhihao Liu, Tianyu Wang, Xi Vincent Wang, Lihui Wang

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Department of Production Engineering（生产工程系） 纠错

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

AI总结 研究针对ERP系统过度依赖人类决策的问题，提出Agentic ERP架构，结合角色对齐的LLM智能体、人工参与框架和图编排器。通过特定决策问题表述、编排解耦及多层面评估，证明该方法优于基线，能让ERP主动执行决策，提供了参考架构与评估协议。

Understanding From Human Perspective: A Multi-agent System for Interactive Egocentric Medical Image Segmentation

从人类视角理解：用于交互式自我中心医学图像分割的多智能体系统

Rongjun Ge, Dongyang Wang, Heng Zhu, Zhirui Li, Yang Chen, Yuting He

机构 * School of Instrument Science and Engineering, Southeast University（东南大学仪器科学与工程学院） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Sichuan University-Pittsburgh Institute, Sichuan University（四川大学匹兹堡学院） ； Department of Biomedical Engineering, Case Western Reserve University（凯斯西储大学生物医学工程系） 纠错

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

AI总结 研究交互式自我中心医学图像分割面临的挑战，提出EgoMed-Agent多智能体系统，通过目标确认和定位引导传播工作流程从人类视角理解目标，实验显示该系统平均Dice远超基线，效果显著。

PlanFlip: Attacking Multi-Agent LLM Systems via Planning-Phase Prompt Injection

PlanFlip：通过规划阶段提示注入攻击多智能体大语言模型系统

Yuhang Wang

机构 * Fudan University（复旦大学） 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 研究针对多智能体大语言模型系统规划阶段的攻击，提出PlanFlip框架包含四种攻击，通过对九个模型的3479次测试发现能力放大漏洞、同类管道盲点及推理增强模型的抗性等结果，并提出检测方法，强调异构模型多样性对系统安全的重要性。

Automating structural reliability analysis with a multi-agent large language model framework

使用多智能体大语言模型框架实现结构可靠性分析自动化

Jaehwan Jeon, Chang Hee Lee, Taeyong Kim

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

AI总结 研究提出多智能体大语言模型框架，通过专门智能体处理结构可靠性分析流程，用QLoRA微调方法规划器，由确定性求解器计算结果，降低专业知识壁垒，保持计算可信度，实现结构可靠性分析自动化。

Comments 41 pages, 10 figures. Submitted to Automation in Construction

AI Agent Communications in AI-Native 6G Network: Status, Challenges and Opportunities

人工智能原生6G网络中的AI智能体通信：现状、挑战与机遇

Qiang Duan

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

AI总结 研究AI智能体通信在6G网络下面临的问题，基于面向服务虚拟化的架构（SOVA），通过分析6G关键架构范式满足SOVA要求的潜力，找出差距，进而明确研发方向，助力6G网络原生赋能AI智能体通信。

Agent-OSI: An Interoperability Architecture for Communication and Settlement in the Decentralized Internet of Agents

Agent-OSI: 向去中心化的智能体互联网的分层协议栈

Wenxin Xu, Taotao Wang, Yihan Xia, Shengli Zhang, Soung Chang Liew

专题命中 多智能体 ：agent(title,title_cn)

AI总结 Agent-OSI提出了一种基于现有互联网的六层协议栈，旨在实现去中心化智能体网络的互操作性、信任和按使用付费结算。

Comments 8 pages, 3 figures

A Multi-Agent System for 5G Throughput Prediction in Multi-Operator Urban Environments

用于多运营商城市环境中5G吞吐量预测的多智能体系统

Muhammad Kabeer, Rosdiadee Nordin, Nadiva Nuriftitah, Sian Lun Lau

机构 * Faculty of Engineering and Technology, Sunway University（Sunway大学工程与技术学院） ； Department of Computer Science, Federal University Dutsinma（联邦大学杜辛马大学计算机科学系） ； Future Cities Research Institute (FCRI), Faculty of Engineering and Technology, Sunway University（Sunway大学工程与技术学院未来城市研究所） ； Future Cities Research Institute (FCRI), Lancaster University（兰卡斯特大学未来城市研究所） 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 研究针对多运营商城市环境中5G吞吐量预测问题，提出分层多智能体系统TMAS，将边缘遥测数据动态路由到微智能体。在相关数据集上验证，该系统克服可预测性瓶颈，有高运行效率，为下一代无线网络响应时间提供了有潜力的架构。

DS@GT ARC at eRisk 2026: Hybrid Multi-Agent LLM System with Structured Algorithmic Guidance for Conversational Depression Screening

DS@GT在eRisk 2026的ARC：用于对话式抑郁症筛查的具有结构化算法指导的混合多智能体大语言模型系统

Victor Gong, David Guecha

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 介绍DS@GT参加eRisk 2026对话式抑郁症筛查挑战赛，其系统历经三个阶段，最终采用混合配置并添加算法组件。提交三次运行结果，混合运行3表现出色，以低成本超付费基线，验证较弱开源模型经算法监督可与专有模型竞争。

Comments Conference and Labs of the Evaluation Forum (CLEF), 19 pages, 5 figures

OMAC: A Holistic Optimization Framework for LLM-Based Multi-Agent Collaboration

OMAC：一种面向基于大语言模型的多智能体协作的综合优化框架

Shijun Li, Hilaf Hasson, Joydeep Ghosh

机构 * Department of Electrical and Computer Engineering, The University of Texas at Austin, Austin, United States（得克萨斯大学奥斯汀分校电子与计算机工程系） ； Intuit AI Research, Mountain View, United States（Intuit AI研究） 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OMAC框架，通过五个关键优化维度提升基于大语言模型的多智能体系统性能，采用语义初始化器和对比比较器算法实现单维和多维联合优化。

Comments Accepted as a Oral paper at ICML 2026

AutoSurrogate: An LLM-Driven Multi-Agent Framework for Autonomous Construction of Deep Learning Surrogate Models in Subsurface Flow

AutoSurrogate：一种基于LLM的多智能体框架，用于自主构建地下流深度学习代理模型

Jiale Liu, Nanzhe Wang

机构 * School of Physics and Astronomy, The University of Edinburgh（物理与天文学学院，爱丁堡大学） ； Institute of GeoEnergy Engineering, School of Energy, Geoscience, Infrastructure and Society, Heriot-Watt University（地球能源工程研究所，能源、地质科学、基础设施与社会学院，赫瑞斯泰大学） ； Subsurface Energy Transition and Innovation Centre, Heriot-Watt University（地下能源转型与创新中心，赫瑞斯泰大学） 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 AutoSurrogate通过自然语言指令使非ML专家能构建高质量地下流代理模型，利用多智能体协作完成数据分析、架构选择、超参数优化和质量评估，实现自动化代理模型构建。

The challenge of hidden gifts in multi-agent reinforcement learning

多智能体强化学习中隐藏礼物的挑战

Dane Malenfant, Blake A. Richards

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

AI总结 研究多智能体强化学习中因他人隐性行为带来的信用分配难题，通过网格世界任务展示不同算法在处理隐藏礼物时的性能差异，提出基于自学习意识的修正项提升集体成功概率。

Comments Published at the third Reinforcement Learning Conference 2026

CAM: A Causality-based Analysis Framework for Multi-Agent Code Generation Systems

CAM：基于因果分析的多智能体代码生成系统分析框架

Zongyi Lyu, Zhenlan Ji, Songqiang Chen, Liwen Wang, Yuheng Huang, Shuai Wang, Shing-Chi Cheung

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The University of Tokyo（东京大学） 纠错

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

AI总结 CAM提出一种基于因果分析的框架，用于分析多智能体代码生成系统中中间特征对系统正确性的贡献，通过实证分析揭示了依赖上下文的特征和混合架构的优势。

Comments 20 pages, 12 tables, 5 figures

Aggregate in the Advantage, Not the Ratio: A Canonical-Form Analysis of Cooperative Multi-Agent Policy Optimization

优势聚合而非比率聚合：合作多智能体策略优化的规范形式分析

Zijian Zhao, Sen Li

机构 * The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 研究合作多智能体策略优化中聚合相邻智能体的问题，将设计选择形式化为支持矩阵，证明规范结构，得出聚合应在优势中按耦合邻域大小进行且保持每个智能体比率的设计原则。

PRIME: Plasticity Recovery in Multi-Agent Environments for UAV-Assisted Emergency Communication Networks

PRIME：无人机辅助应急通信网络多智能体环境中的可塑性恢复

Wen Qiu, Zhiqiang He, Wei Zhao, Hiroshi Masui

机构 * Department of Information and Communication Engineering, Kitami Institute of Technology, Japan（信息与通信工程系，函馆技术学院，日本） ； Graduate School of Informatics and Engineering, University of Electro-Communications, Japan（信息与工程研究生院，电子通信大学，日本） ； School of Computer Science and Technology, Anhui University of Technology, China（计算机科学与技术学院，安徽理工大学，中国） 纠错

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

AI总结 研究无人机辅助应急通信网络多智能体环境中因非平稳性致神经元休眠影响学习的问题，提出PRIME方法，扩展双向沉默神经元框架，聚合统计信息验证后干预，实验显示该方法提升回报并降低休眠神经元比例，明确扰动成本与沉默子空间维度有关。

Value-Aware Prediction for Robust Multi-Agent Coordination Under Communication Loss

通信丢失情况下用于鲁棒多智能体协调的价值感知预测

Kemal Devrim Kafadar, Eren Özaltun, Mahmud Efnan Şanlı, Feyza Orak, Emirhan Gazi, Kubilay Kağan Kömürcü, Nazım Kemal Üre

机构 * Istanbul Technical University（伊斯坦布尔技术大学） ； University of Stuttgart（斯图加特大学） ； Istanbul Technical University Artificial Intelligence and Data Science Application and Research Center（伊斯坦布尔技术大学人工智能与数据科学应用与研究中心） ； Stanford University（斯坦福大学） 纠错

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

AI总结 研究通信丢失时多智能体协调问题，提出价值感知MARO方法，利用优势估计动态加权预测器损失函数，在多智能体粒子环境实验中，该方法在通信可靠性下降时能维持性能，提升平均回报并降低性能方差。

Comments Accepted to 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

The Optimization Trilemma: Efficiency, Comfort and Fairness in Decentralized Multi-agent Coordination

优化三难困境：去中心化多智能体协调中的效率、舒适度和公平性

Jovan Nikolic, Maciej Krzysztof Zuziak, Evangelos Pournaras

机构 * Google（谷歌） ； School of Energy Systems, LUT University（能源系统学院，卢托大学） 纠错

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

AI总结 研究去中心化多智能体协调中优化系统效率、个体舒适度和公平性的问题，设计新颖模型，通过实验验证该模型能在无大幅开销下实现更公平优化结果，满足智能体偏好与系统目标。

Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models

多智能体大语言模型的模型驱动规范：可追溯系统模型的需求到验证生成

Ran Wei, Le Zhu, Haochi Wang, Ruizhe Yang, Jiapeng Guan, Siyuan Ji, Yuchen Hu, Zhe Jiang, Xiangyang Ji

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

AI总结 针对软件复杂性问题，提出RADIANT方法，结合MDE与多智能体LLMs用于系统开发。能从需求模型自动生成异构模型及可追溯链接，进行变更影响分析和形式验证。评估显示可提高语法有效性和可执行性，减少开发时间并可跨领域应用。

Semantic Register Compression in Multi-Agent LLM Cascades

多智能体大语言模型级联中的语义寄存器压缩

Manuele Tele Junior Fernandez

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

AI总结 研究多智能体大语言模型级联中的语义寄存器压缩现象，用三智能体管道量化压缩，通过五个架构变体分析驱动因素，发现压缩在不同领域强度不同且可泛化，提示级回归可解释大部分方差，对高风险领域安全评估有意义。

Comments 16 pages, 2 figures, 4 tables. Revised version with corrected English-prompt experiments and updated cross-domain and prompt-gradient results

From Multi-Agent to Single-Agent: When Is Skill Distillation Beneficial?

从多智能体到单智能体：技能蒸馏何时有益？

Binyan Xu, Dong Fang, Haitao Li, Kehuan Zhang

机构 * The Chinese University of Hong Kong（香港中文大学） ； LIGHTSPEED 纠错

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

AI总结 研究探讨了技能蒸馏在多智能体系统到单智能体系统转换中的有效性，提出通过评估指标的拓扑刚性预测技能效用，并引入AdaSkill框架实现自适应蒸馏。

Comments 36 pages, 15 figures, 11 tables

Hetero-Net: An Energy-Efficient Resource Allocation and 3D Placement in Heterogeneous LoRa Networks via Multi-Agent Optimization

Hetero-Net: 一种通过多智能体优化实现异构LoRa网络中资源分配和3D部署的节能方法

Abdullahi Isa Ahmed, Ana Maria Drăgulinescu, El Mehdi Amhoud

机构 * College of Computing, Mohammed VI Polytechnic University (UM6P)（穆莱·伊沙克六世理工学院计算机学院） ； Telecommunications Department, Politehnica Bucharest（布加勒斯特理工大学电信系） 纠错

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

AI总结 本文提出Hetero-Net，通过多智能体优化解决异构LoRa网络中资源分配和3D部署问题，显著提升能源效率。

Comments 6 pages, 7 figures

Multi-Agent LLMs as Ethics Advocates for AI-Based Systems

多智能体大语言模型作为AI系统的伦理倡导者

Asma Yamani, Malak Baslyman, Moataz Ahmed

机构 * Information and Computer Science Department, KFUPM（信息与计算机科学系，KFUPM） ； IRC for finance and digital economy, KFUPM（金融与数字经济研究所，KFUPM） ； SDAIA-KFUPM Joint Research Center for Artificial Intelligence, KFUPM（人工智能联合研究中心，KFUPM） 纠错

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

AI总结 本研究提出利用多智能体大语言模型中的伦理倡导代理，生成AI系统伦理需求草案，通过案例研究验证其有效性并指出可靠性问题。

Comprehend, Divide, and Conquer: Feature Subspace Exploration via Multi-Agent Hierarchical Reinforcement Learning

理解、划分与征服：通过多智能体分层强化学习进行特征子空间探索

Weiliang Zhang, Xiaohan Huang, Yi Du, Ziyue Qiao, Qingqing Long, Zhen Meng, Yuanchun Zhou, Meng Xiao

机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； Great Bay University（Great Bay大学） ； Duke-NUS Medical School, National University of Singapore（新加坡国立大学杜克-奈素医学院） 纠错

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

AI总结 研究针对特征选择问题，提出HRLFS方法，先利用基于大语言模型的混合状态提取器捕捉特征特性并聚类，构建分层智能体，通过多智能体分层强化学习进行特征子空间探索，提升了下游机器学习性能并加速运行

Comments 25 pages, keywords: Automated Feature Engineering, Tabular Dataset, Multi-Agent Reinforcement Learning, Feature Selection, Accepted by ACM Transactions on Knowledge Discovery from Data

On Optimal Event-Triggered Distributed Control for Stochastic Multi-Agent Systems via Reinforcement Learning

基于强化学习的随机多智能体系统最优事件触发分布式控制

Ziming Wang, Bingbing Li, Karl H. Johansson, Apostolos I. Rikos

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

AI总结 针对含随机不确定性的多智能体系统，提出基于强化学习的最优分布式控制算法，采用 actor-critic-identifier 结构，用低通滤波器和混合事件触发控制策略，经稳定性证明，在仿真中验证正确性并与非最优算法比较突出优势。

Laplacian Spectral Shaping for Non-Uniform Scaling Formation Control of Open Multi-Agent Systems

用于开放多智能体系统非均匀缩放编队控制的拉普拉斯谱整形

Tao He, Gangshan Jing

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

AI总结 研究开放多智能体系统非均匀缩放编队控制问题，开发分布式协议调整拉普拉斯矩阵部分权重，能在动态拓扑变化下保留期望编队谱，具有更稀疏传感图、无需预定义层次结构和支持领导者重新分配等优势，经理论分析和模拟验证有效。

DeliCIR: Memory-Guided Test-Time Deliberation via Multi-Agent Collaboration for Composed Image Retrieval

DeliCIR: 用于组合图像检索的深思型测试时进化分层多智能体

Xingtian Pei, Yukun Song, Changwei Wang, Shunpeng Chen, Rongtao Xu, Shengpeng Xu, Shibiao Xu

机构 * Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（计算机网络与信息安全部重点实验室，教育部，山东计算机科学中心（济南国家超算中心），青岛科技大学（山东科学院）） ； School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； School of Artificial Intelligence, Mohamed bin Zayed University（Mohamed bin Zayed大学人工智能学院） 纠错

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

AI总结 提出一种分层感知-深思框架PDF，通过分层多智能体架构、意图路由管理器、决策管理器及锦标赛式测试时缩放策略，实现经验自进化与测试时缩放定律在组合图像检索中的首次应用，在三个基准数据集上达到最优性能。

Comments 10 pages, 3 figures,4 tables

A Visualization Framework for Exploring Multi-Agent-Based Simulations Case Study of an Electric Vehicle Home Charging Ecosystem

多智能体仿真可视化框架：电动汽车家庭充电生态系统的案例研究

Kristoffer Christensen, Bo Nørregaard Jørgensen, Zheng Grace Ma

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

AI总结 本文提出一种可视化框架，用于探索多智能体仿真中的涌现行为，通过案例研究展示其在电动汽车家庭充电生态系统中的应用与价值。

Journal ref Energy Informatics. EIA Nordic 2025. Lecture Notes in Computer Science, vol 16095

MADA-RL: Multi-Agent Debate-Aware Reinforcement Learning for Parameter-Efficient Reasoning in Compact Models

MADA-RL：用于紧凑模型中参数高效推理的多智能体辩论感知强化学习

Martino M. L. Pulici, Cuong Xuan Chu, Evgeny Kharlamov, Zifeng Ding, Volker Tresp, Yunpu Ma

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

AI总结 研究针对紧凑模型训练成本高问题，提出MADA-RL框架，将其分为生成器和评论家角色，用辩论感知信号训练，通过LoRA微调少量参数。核心是反事实评论家优势，提高了模型准确率，在数学推理基准测试中有显著效果。

Comments 20 pages, 3 figures, 9 tables, 2 algorithms, under review at TMLR

Composable Verification Pipelines for Multi-Agent Systems

多智能体系统的可组合验证管道

Julian Alfredo Mendez, Andreas Brännström

机构 * Ume University, Sweden（乌梅大学，瑞典） 纠错

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

AI总结 研究多智能体系统的验证问题，基于Tiles和Soda构建模块化框架，通过可执行验证管道操作动作语言语义，以类型化函数管道表示验证过程，含可执行规范层，有开源实现及示例说明。

Equilibrium analysis in a multi-agent reinsurance chain

多智能体再保险链中的均衡分析

Kaizheng Wang, Wei Liu, Zhuo Jin, Wenyuan Wang

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

AI总结 研究多层再保险链中保险公司与再保险公司互动，用斯塔克尔伯格微分博弈等方法，结合动态规划与博弈论，在均值-方差准则下求解均衡策略，通过数值分析发现保险市场竞争加剧使再保险链各层合同安全负荷降低。

Lifelong Multi-Subsystem Pickup and Delivery with Buffer-Limited Handover Stations

具有缓冲区受限交接站的终身多子系统取货与送货

Chuanlong Zang, Isabelle Barz, Anna Mannucci, Philipp Schillinger, Florian Lier, Wolfgang Hönig

机构 * Robert Bosch GmbH（罗伯特·博世有限公司） ； Technical University of Berlin（柏林工业大学） ； Robotics Institute Germany (RIG)（德国机器人研究所） 纠错

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

AI总结 研究终身多子系统取货与送货中协调子系统载荷转移的问题，提出交接感知预留与路由（HARR）方法，通过共享日历和缓冲区预测协调行动，模拟显示该方法能显著提高吞吐量、减少积压并降低规划时间，提升运输稳定性。

Comments IROS 2026