AI Agent

WARA: A Closed-Loop Multi-Agent Framework for Wireless Optimization Autoresearch

WARA：用于无线优化自动研究的闭环多智能体框架

Yuan Guo, Yilong Chen, Chao Hu, Xianghao Yu, Liang Hong, Jie Xu

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

AI总结 本文针对无线领域提出端到端自动研究框架WARA，通过闭环多智能体系统将研究工作流程分三个阶段，经工件介导过程和控制器管理验证工件，设计评分智能体评估有效性，其性能优于一次性大语言模型生成，接近同行评审论文质量。

Comments 2026 IEEE/CIC International Conference on Communications in China (ICCC)

Harnessing Disagreement: Detecting Correlated Agreement Blindness in Multi-Agent Triage

利用分歧：检测多智能体分诊中的相关一致性盲点

Shay Seiya McDonnell, Avantika Singh, Quoc-Viet Pham, Vratislav Havlik, Gregory M. P. O'Hare

机构 * School of Computer Science \& Statistics, Trinity College Dublin, College Green, Dublin 2, Ireland ADAPT Centre, Trinity College Dublin, College Green, Dublin 2, Ireland CKDelta, 28/29 Sir John Rogerson's Quay, Dublin 2, Ireland 纠错

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

AI总结 研究多智能体分诊中分歧引发升级导致的相关一致性盲点问题,提出结合随机森林、k近邻智能体及校准元模型的ARAT系统。通过实验表明该系统能降低预测不足，跨数据集验证显示多样化产生有效分歧才提升安全，揭示相关故障被忽视的风险。

Comments 14 pages, 2 figures, 3 tables. Accepted at PAAMS 2026; this is the author's pre-review submitted version

Temporal Fair Division in Multi-Agent Systems: From Precise Alternation Metrics to Scalable Coordination Proxies

多智能体系统中的时间公平分配：从精确交替度量到可扩展的协调代理

Nikolaos Al. Papadopoulos, Ismael Tito Freire, Marti Sanchez-Fibla, Konstantinos E. Psannis

机构 * University of Macedonia（希腊米科诺斯大学） 纠错

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

AI总结 本文提出时间公平分配的新理论，引入旋转周期性度量和滑动窗口度量，通过多智能体战斗实验分析，展示RP和ALT在协调失败检测和计算效率上的互补性。

Comments 26 pages, 6 figures, 8 tables

Defer to Plan: Adaptive Multi-Agent Fusion for End-to-End V2X Driving

听从计划：用于端到端车路协同驾驶的自适应多智能体融合

Nuoran Li, Zhang Zhang, Yueran Zhao, Tianze Wang, Chao Sun

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

AI总结 研究车路协同辅助自动驾驶中现有方法不足，提出端到端协同驾驶系统，用MotionNetwork融合信息、注意力机制压缩特征、自回归解码器融合多智能体特征及引入MoE架构，提升驾驶分数并保持通信效率。

Comments Accepted at IEEE ICME 2026

CHMAS: A Coupled Hierarchical Framework for Multi-Agent Reinforcement Learning

CHMAS：一种用于多智能体强化学习的耦合分层框架

Dongming Wang, Jie Xu, Yanyu Zhang, Wei Ren

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

AI总结 本文针对多智能体强化学习跨时间尺度平衡协调与执行的挑战，提出CHMAS框架，将决策分解为集中战略规划与分布式战术执行，有双向信息流和反馈机制，还给出异步更新协议，经理论分析与实验验证，该框架有效。

Comments Presented at the 2026 American Control Conference (ACC 2026). This version corrects the author names in Reference 1. The technical content, results, and conclusions are unchanged

TriAgent: Divergence-Aware Multi-Agent Committees for Cost-Efficient Financial Sentiment Analysis

TriAgent：用于成本效益型金融情绪分析的差异感知多智能体委员会

Isabel Xu, Cynthia Xu, Rachel Ren, Cong Guo, Jiacheng Ding

机构 * The Overlake School（奥弗湖学校） ； Edwards Vacuum Inc.（爱德华兹真空公司） ； The University of Memphis（孟菲斯大学） 纠错

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

AI总结 研究针对基于生产LLM的金融情绪分析成本高问题，提出TriAgent多智能体委员会，按上下文粒度分层，用SDI衡量分歧并路由查询，有批评者平稳期等发现及三个推论，节省成本且效果好。

Toward Adaptable Multi-Agent Reinforcement Learning: An Assumption-Aware Review

迈向适应性多智能体强化学习：基于假设感知的综述

Siyi Hu, Mohamad A Hady, Jianglin Qiao, Jimmy Cao, Mahardhika Pratama, Ryszard Kowalczyk

机构 * Curtin University（Curtin 大学） ； Adelaide University（阿德莱德大学） ； The University of Sydney（悉尼大学） ； Systems Research Institute Polish Academy of Sciences（波兰科学院系统研究所） 纠错

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

AI总结 该综述提出‘适应性’分类法组织多智能体强化学习变化，区分学习、策略、场景驱动适应性三个维度，明确现有概念关系及MARL评估未明确之处，为MARL在实际部署中应对假设变化提供思路。

Coordinating from Memory: Graph-Structured Experience Reuse for Multi-Agent Adaptation in Dynamic Manufacturing

从记忆中协调：用于动态制造中多智能体适应的图结构经验重用

Chengxiao Dai, Zhanhui Lin, Zhaokun Yan, Youyang Ni, Chenjun Lei, Luyan Zhang

机构 * School of Computer Science, University of Sydney（悉尼大学计算机科学学院） ； Khoury College of Computer Sciences, Northeastern University（美国东北大学库里计算机科学学院） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院） ； School of Life and Environmental Sciences, University of Sydney（悉尼大学生命与环境科学学院） ； College of Business and Economics, Australian National University（澳大利亚国立大学商业与经济学院） 纠错

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

AI总结 针对动态制造中多智能体协调问题，提出图结构经验记忆（GSEM）框架，将历史协调事件编码为图，新干扰时通过图神经网络检索相似事件实现经验引导策略适应，实验表明其能有效减少完工时间和适应时间，验证了方法有效性和通用性。

Dreamer-CPC: Message Learning with World Models for Decentralized Multi-agent Reinforcement Learning

Dreamer-CPC：用于去中心化多智能体强化学习的基于世界模型的消息学习

Taisuke Takayama, Naoto Yoshida, Tadahiro Taniguchi

机构 * Graduate School of Informatics, Kyoto University, Kyoto, Japan（京都大学信息学研究生院） ； Research Organization of Science and Technology, Ritsumeikan University, Shiga, Japan（立命馆大学科学技术研究机构） 纠错

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

AI总结 研究针对多智能体强化学习中通信问题，提出Dreamer-CPC方法，将基于CPC的消息学习集成到DreamerV3世界模型，各智能体据此独立维护模型与模块并交换消息，实验表明该方法在多种环境下优于现有方法，能有效支持去中心化决策。

Comments 15 pages, 6 figures. Under review at ICONIP 2026

OpenEvoShield: Dual Non-Stationary Continual Defense for Open-World Multi-Agent System Attacks

OpenEvoShield：面向开放世界多智能体系统攻击的双重非平稳持续防御

Litian Zhang, Chaozhuo Li, Yuting Zhang, Zejian Chen, Bingyu Yan, Qiwei Ye

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Beihang University（北京航空航天大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 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LLM-MAS中对手通过通信注入恶意指令的双重动态攻击，提出OpenEvoShield持续防御框架，含不对称速率控制器等组件，实验表明其在多基准和拓扑上优于基线，能检测多数未见攻击且误报率低。

Comments 29 pages, 5 figures, 14 tables

ETPDesigner: Multi-Agent Orchestration for Interactive Multimodal Electronic Theater Program

ETPDesigner：用于交互式多模态电子剧院节目的多智能体编排

Mengtian Li, Xinru Guo, Xiaoru Lin, Xiao Rong, Zhifeng Xie, Chaofeng Chen

机构 * Shanghai University（上海大学） ； Shanghai Engineering Research Center of Motion Picture Special Effects（上海电影特效工程技术研究中心） ； Institute for Math and AI, Wuhan School of Artificial Intelligence, Wuhan University（武汉大学数学与人工智能研究院武汉人工智能学院） 纠错

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

AI总结 研究针对电子剧院节目设计难题，提出ETPDesigner多智能体框架，能从戏剧脚本合成高质量ETP，通过全局风格锚定机制保证一致性，还实现交互功能，经ETP-Pro基准测试验证了方法在多方面的优越性。

Learning Latency-Aware Orchestration for Multi-Agent Systems

学习多智能体系统的延迟感知编排

Xi Shi, Mengxin Zheng, Qian Lou

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

AI总结 针对多智能体系统推理延迟高的问题，提出延迟感知多智能体系统（LAMaS）。训练时通过约束优化学习延迟感知执行图，推理时用轻量级控制器补充。实验显示其在降低端到端延迟超50%的同时保持精度，且具模块化可移植性。

Comments This submission was intended to be an updated version of arXiv:2601.10560. Any subsequent updates will appear there

Dynamic Multi-Agent Pickup and Delivery in Robotic Cellular Warehousing Systems

机器人化仓储系统中的动态多智能体取送货

Cheng Ren, Ming Li, Xinping Guan, George Q. Huang

机构 * Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（工业与系统工程系，香港理工大学） ； 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 针对订单内部SKU动态追加的仓库场景，首次形式化动态多智能体取送货问题，提出两种基于令牌传递的事件触发在线重规划算法，显著降低订单流时间。

Optimizing QoS in HD Map Updates: Cross-Layer Multi-Agent with Hierarchical and Independent Learning

在HD地图更新中优化服务质量：跨层多智能体与分层独立学习

Jeffrey Redondo, Nauman Aslam, Juan Zhang, Zhenhui Yuan

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

AI总结 本文提出了一种跨层多智能体方法，通过分层和独立学习优化HD地图更新的QoS，显著降低不同服务的延迟。

Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats

具有安全保障的自重构机器人船分布式运动规划

Alejandro Gonzalez-Garcia, Wei Wang, Wei Xiao, Wilm Decre, Jan Swevers, Carlo Ratti, Daniela Rus

机构 * KU Leuven（鲁汶大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学） ； SMART（新加坡制造技术研究院） ； SENSEable City Laboratory, Massachusetts Institute of Technology（麻省理工学院可感知城市实验室） ； Computer Science and Artificial Intelligence Lab (CSAIL), Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） 纠错

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

AI总结 研究水生自重构机器人多智能体形状形成与重构问题，提出将分布式MPC与CBF相结合的混合框架，利用ADMM求解MPC方案，通过局部优化和信息交换计算轨迹，并应用基于CBF的滤波器保障安全，经仿真和实验验证了框架的有效性与可扩展性。

Comments Submitted to IEEE

IteraSim RAG: A Multi-Stage Retrieval-Augmented Agentic Back-End for OpenFOAM-Based Computational Fluid Dynamics

IteraSim RAG：基于OpenFOAM的计算流体动力学的多阶段检索增强智能后端

Pratyush Kumar

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

AI总结 研究针对OpenFOAM配置CFD案例的难题，提出IteraSim RAG。通过LLM扩展查询、多种融合与重排策略及多智能体分工协作，结合规范知识层。在28个案例基准测试中表现良好，能完成配置、诊断修复问题，还公布相关内容以保障可重复性。

Comments 40 pages, 7 figures, 5 tables. Submitted to Computer Physics Communications

Bridging Behavior and Implementation: Automated Java Glue Code Generation for Behavior-Driven Development

架起行为与实现的桥梁：用于行为驱动开发的自动化Java胶水代码生成

Xinyu Shi, Zhou Yang, An Ran Chen

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

AI总结 研究针对行为驱动开发中胶水代码开发维护难题，提出分层多智能体框架AutoGlue，遵循行为优先工作流程。经实验评估，相比少样本提示，其在代码生成指标上有显著提升，能有效连接行为规范与项目代码，支持软件开发。

Human-in-the-Loop Distributed Control of Grid-Interactive Buildings for Demand Response Participation

用于需求响应参与的电网交互式建筑的人在回路分布式控制

Kasra Mazarei Saadabadi, Dongming Wang, Wei Ren, Alfredo Martinez-Morales, Hamidreza Nazaripouya

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

AI总结 该研究针对多建筑需求侧管理，提出人在回路分布式共识控制方法，引入含非自主领导者的框架，用非线性未知输入滑模观测器应对挑战，设计共识协议，仿真验证其能在需求响应中灵活管理能源、平衡舒适度及提升电网适应性。

Comments 10 pages, 8 figures

From Non-Rigid to Rigid: Safe Acquisition of Rigid Communication Graphs under Limited Sensing

从非刚性到刚性：有限感知条件下安全获取刚性通信图

S. Saharsh, Vedhas Talnikar, Pushpak Jagtap

机构 * Indian Institute of Science（印度科学研究所） 纠错

专题命中 多智能体 ：agent(abstract)

AI总结 研究在有限感知下获取刚性通信图的问题，提出基于分布式二次优化的方法，为异构非线性多机器人系统开发计算精简的控制器，通过仿真和硬件实验验证，能在有限传感下实现刚性通信图且跟随代理无需全局绝对位置。

Comments 18 pages, 7 Figures, 2 Tables