AI Agent

Agentic Designer: Progressive Multi-Agent Collaboration for Structure-Aware Interior Layout Generation

智能设计师：用于结构感知室内布局生成的渐进式多智能体协作

Zhijing Yang, Haocheng Lin, Zhihua Xu, Haojie Li, Keze Wang, Liang Lin, Tianshui Chen

机构 * Guangdong University of Technology（广东工业大学） ； South China University of Technology（华南理工大学） 纠错

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

AI总结 针对室内布局生成难题，提出智能设计师这一渐进式多智能体框架，将布局生成视为迭代约束验证决策过程，通过渐进共识机制协调三个智能体，经实验验证其显著优于现有方法，提升了结构遵循和功能设计连贯性。

Comments TPAMI 2026

Mosaic: Runtime-Efficient Multi-Agent Embodied Planning

Mosaic：运行时高效的多智能体实体规划

Kunjal Panchal, Saayan Mitra, Sunav Choudhary, Victor Bursztyn, Somdeb Sarkhel, Hui Guan

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

AI总结 研究基于LLM的多智能体实体规划执行延迟高问题，提出Mosaic框架，通过智能体中心语义内存和整数线性规划应对挑战，在多基准测试中执行更快、调用更少、步数更少且成功率更高，证明相关因素对多智能体规划的重要性。

Comments Accepted to ICML 2026

Game-Theoretic Multi-Agent Reinforcement Learning for Swarm Trajectory Planning in Low-Altitude Wireless Networks

低空无线网络中基于博弈论的多智能体强化学习群体轨迹规划

Nguyen Duc Minh Quang, Ruoxi Chong, Zhiqiang Wei, Chang Liu, Derrick Wing Kwan Ng

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

AI总结 针对低空无线网络中多无人机在多小区基站下因资源块分配导致的轨迹耦合问题，提出合作随机拥塞博弈模型和CTDE-MAPPO算法，实现通信与任务联合优化。

Comments Submitted to IEEE/CIC ICCC 2026 in Wuhan

CMU-Drive and V2V-VLA: Cooperative Multi-agent Unified Driving with Reasoning Benchmark and Vehicle-to-Vehicle Vision-Language-Action Models

CMU-Drive与V2V-VLA：具备推理能力的协同多智能体统一驾驶基准及车对车视觉-语言-动作模型

Hsu-kuang Chiu, Stephen F. Smith

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.AI

AI总结 本文提出协同多智能体统一驾驶基准CMU-Drive及车对车视觉-语言-动作模型V2V-VLA，解决现有VLA模型缺乏协同能力的问题，构建了协同自动驾驶研究的首个基准并将相关资源开源。

MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems

MANTA：面向自演进多智能体系统的多智能体网络拓扑自适应框架

Mao-xun Huang, Jerry Wang, Yi-Cheng Lai, Zhengxin Zhang, Claire Cardie, Hen-Hsen Huang

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

AI总结 该研究提出MANTA框架，使多智能体系统通信拓扑可在推理阶段自演进，在五类基准测试中平均得分74.0，较最强基线高5.8个百分点，验证了推理阶段自改进可延伸至协作架构。

Agentic Nesting: A New Methodology for Existing Enterprise Application Integration and Services

智能体嵌套：现有企业应用集成与服务的新方法论

Xi Wang, Kun Li, Xianyao Ling, Gang Yin, Liang Zhang, Jiang Wu, Wenbo Lei, Jun Xu, Annie Wang, Fu Zhang, Weizhe Wang

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

AI总结 针对企业应用集成的传统方法存在的缺陷，本文提出Agentic Nesting多智能体协作框架，构建分层嵌套的智能体结构，实现跨应用的对话式集成，探索其在异构系统等场景的泛化潜力。

Hierarchical Control in Multi-Agent Games: LLM-based Planning and RL Execution

多智能体博弈中的层次化控制：基于LLM的规划与RL执行

Jannik Hösch, Alessandro Sestini, Florian Fuchs, Amir Baghi, Joakim Bergdahl, Iolanda Leite, Konrad Tollmar, Jean-Philippe Barrette-LaPierre, Linus Gisslén

机构 * Electronic Arts ； KTH Royal Institute of Technology（皇家理工学院） 纠错

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

AI总结 提出LLM作为中央策略控制器选择RL技能策略的层次化架构，在2v2对抗环境中达到与手工BT相当的胜率，且被感知为最类人。

Comments 12 pages, 9 figures

Orchestrating Power Grid Studies with Multi-Agent AI and MCP Servers

利用多智能体人工智能和MCP服务器编排电网研究

Jérôme Picault, Clément Goubet

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

AI总结 探讨智能体人工智能和MCP在TSO环境下对电网研究的支持，结合大语言模型等要素，介绍pypowsybl - mcp接口搭建试验台，研究智能体交互方式，讨论人工参与原则与评估策略，推动电网研究环境更具交互性、可审计性和扩展性。

Comments Accepted to IJCAI AISE 2026 workshop

[AAFLOW+] Stateful Operator Abstraction with Zero-Copy Distributed KV Cache Orchestration for Multi-Agent Workflows

[AAFLOW+] 用于多智能体工作流的具有零拷贝分布式键值缓存编排的有状态算子抽象

Arup Kumar Sarker, Alexander James Halpern, Mills Staylor, Aymen Alsaadi, Gregor von Laszewski, Yue Cheng, Shantenu Jha, Geoffrey Fox

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

AI总结 研究多智能体语言模型系统文本中心问题，提出AAFLOW+扩展，构建通信感知图并提供多种算子，实现零拷贝执行，通过分析成本模型验证，大幅降低TTFT、计算成本、键值内存并提高吞吐量，提升多智能体系统效率

Comments 21 pages, 10 Figures, 12 Tables

GaP: A Graph-as-Policy Multi-Agent Self-Learning Harness For Variational Automation Tasks

GaP：面向变分自动化任务的图即策略多智能体自学习框架

Kaiyuan Chen, Shuangyu Xie, Letian Fu, Justin Yu, William Pacini, Sandeep Bajamahal, Hudson Kim, Jaimyn Drake, Daehwa Kim, Haoru Xue, Jonathan Francis, Christian Juette, Peter Schaldenbrand, Muhammet Yunus Seker, Ruwan Wickramarachchi, Uksang Yoo, Guanzhi Wang, Adithyavairavan Murali, Balakumar Sundaralingam, S. Shankar Sastry, Spencer Huang, Yuke Zhu, Linxi "Jim" Fan, Ken Goldberg

机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； NVIDIA（英伟达） ； Carnegie Mellon University（卡内基梅隆大学） ； Bosch（博世） 纠错

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

AI总结 针对变分自动化任务无模型策略可靠性不足问题，提出图即策略多智能体编码框架GaP，通过生成计算图并行迭代优化，在虚实8项基准上表现远超基线。

Adversarial Attacks in Multi-Agent LLM Pipelines: Unveiling Structural Vulnerabilities in Agentic AI Architectures

多智能体大语言模型流水线中的对抗攻击：揭示智能体AI架构的结构性漏洞

Faisal Haque Bappy, Tahrim Hossain, Tarannum Shaila Zaman, Raiful Hasan, Kamrul Hasan, Tariqul Islam

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

AI总结 该研究针对多智能体LLM流水线的结构性漏洞，通过在GPT-5-mini等模型上的实验，发现对抗性漏洞源于架构而非模型能力，推动流水线级防御的发展。

Comments This paper has been accepted at the 2026 IEEE Global Communications Conference (GLOBECOM)

RF-Agent: A Practical Framework for Building Language Agents for RFIC Design

RF-Agent：用于构建射频集成电路设计语言代理的实用框架

Yueqi Xing, Houbo He, Jolie Wang, Erin Ni, Shikai Wang, Qiufeng Li, Weidong Cao, Taiyun Chi

机构 * Rice University（莱斯大学） ； The George Washington University（乔治·华盛顿大学） 纠错

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

AI总结 针对大语言模型在射频电路设计应用受限问题，提出RF-Agent框架，通过教科书驱动知识蒸馏创建数据集及基准，研究监督微调与检索增强生成策略，发现特定领域SFT对中小模型提升大，语义检索的RAG表现最佳，为相关工作提供基础。

Comments Accepted at ICLAD (IEEE International Conference on LLM-Aided Design), 2026

AnovaX: A Local, Multi-Agent Voice Assistant with LLM Planning, Typed Executors, and Adaptive Recovery

AnovaX：一个具有大语言模型规划、类型化执行器和自适应恢复功能的本地多智能体语音助手

Raunak B Sinha

机构 * BITS Pilani（贝拉理工学院皮拉尼分校） 纠错

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

AI总结 研究桌面语音助手局限，提出AnovaX本地多智能体语音助手，通过Python进程连接多组件，含规划器、安全层等，各工具对应专用智能体类，有递归元智能体及自适应恢复循环，还介绍配套服务器功能，展示其独特优势。

Holonic Active Distillation for Scalable Multi-Agent Learning in Multi-Sensor Systems

Holonic Active Distillation 用于多传感器系统中的可扩展多智能体学习

Dani Manjah, Tim Bary, Benoît Macq, Stéphane Galland

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

AI总结 提出 Holonic Active Distillation 架构，结合聚类流式主动蒸馏，实现多传感器系统中局部专业化与全局泛化的平衡，并适应传感器动态加入与离开。

Comments 21 pages, 5 figures, 2 tables, accepted to EMAS 2025

Journal ref 2025 13th International Workshop on Engineering Multi-Agent Systems

MACS: A Hybrid Multi-Agent Framework for Reliable Conversational E-Commerce Recommendation

MACS：面向可靠会话式电商推荐的混合多智能体框架

Juli Huang, Hannah Clay, Sajjad Beygi, Thomas Sarda, Negin Golrezaei, Amin Saberi

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

AI总结 针对固定目录场景下会话式电商推荐的可靠性问题，提出混合多智能体框架MACS，其在单轮、多轮基准测试中均展现出更强的约束合规性与推荐性能。

Comments 9 pages, 2 figures, 8 tables. Will be presenting at Stanford Trust&Safety Conference, already presented at Stanford Market AI Conference

EMAS: Stabilizing Multi-Agent System Evolution through Evidence-Guided Revision

EMAS：通过证据引导的修正稳定多智能体系统演化

Chao Fei, Qingyi Si, Kaihua Liang, Yanghua Xiao, Panos Kalnis, Hongcheng Guo

机构 * King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） ； 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 EMAS 是一种不更新 LLM 参数、利用样本经验修正 MAS 拓扑与提示词的方法，在四个基准和两个 LLM 上提升了准确率并降低了 token 成本，表现优于多数基线方法。

CyberLLM: A Multi-Agent LLM Framework for Autonomous Detection and Guarded Response in Automotive Cybersecurity

CyberLLM：面向汽车网络安全的多智能体大语言模型框架，用于自主检测与受管控响应

Nenad Petrovic, Oussama Jeddou, Feres Ben Fraj, Vahid Zolfaghari, Fengjunjie Pan, Andre Schamschurko, Alois Knoll

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

AI总结 CyberLLM是由大语言模型编排的多智能体框架，结合确定性检测层与大语言模型精化，在安全防护下实现汽车漏洞自主检测与修复，在基准测试中覆盖约70%漏洞且零误报，验证了LLM智能体自主防御的可行性。

SeekBrain: An Autonomous Multi-Agent System for Accelerating Neuroscience Discovery

SeekBrain：用于加速神经科学发现的自主多智能体系统

Jiamin Wu, Peishan Xiang, Jingyang Chen, Yuqing Zhu, Yuxi Li, Ling Luo, Qihao Zheng, Jialiang Zu, Yongchao Wu, Mindong Liu, Haitao Wu, Chaofan Hu, Yijie Sun, Yuqi Hang, Yu Zhu, Shuo Li, Yue Fan, Shiyang Feng, Wanghan Xu, Tianlei Zhang, Jie Zhang, Wenlong Zhang, Bo Zhang, Kai Wang, Lei Bai, Mianxin Liu, Wanli Ouyang, Jiulin Du, Chunfeng Song

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

AI总结 SeekBrain是用于加速神经科学发现的自主多智能体框架，通过分层规划与跨模态分析生成分析流程，在BrainArena基准上优于现有智能体，实际研究中成功揭示了斑马鱼与小鼠的神经表征规律。

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

SpaCellAgent: A Self-Evolving LLM-Based Multi-Agent Framework for Trajectory Analysis

SpaCellAgent：一种基于自进化大语言模型的轨迹分析多智能体框架

Songhan Wang, Haoang Chi, He Li, Zhiheng Zhang, Jiayan Yuan, Cheems Wang, Hao Peng, Xinwang Liu, Wenjing Yang

机构 * University of Shanghai for Science and Technology（上海理工大学） ； National University of Defense Technology（国防科技大学） ； Hong Kong Baptist University（香港浸会大学） ； Shanghai University of Finance and Economics（上海财经大学） ； Tsinghua University（清华大学） ； Beihang University（北京航空航天大学） 纠错

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

AI总结 研究针对轨迹推断现有方法需大量人工干预的问题，提出基于大语言模型的多智能体框架SpaCellAgent，利用多智能体架构、动态工具编排引擎和自进化模块，经实验验证其能大幅提高分析效率，推动先进时空建模民主化。

Comments 27 pages, 19 figures

AgRefactor: Self-Evolving Agentic Workflow for HLS Compatibility and Performance

AgRefactor：面向HLS兼容性与性能的自进化智能体工作流

Yang Zou, Zijian Ding, Yizhou Sun, Jason Cong

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

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

AI总结 提出基于LLM的多智能体工作流AgRefactor，通过自进化记忆系统和自动化重构工具，将软件代码重构为HLS兼容程序，在11个基准测试中9个超越现有方法，并实现6.51x几何平均加速。

Investigating Multi-Agent Deliberation in Law

法律中的多智能体审议研究

Cor Steging, Ludi van Leeuwen, Tadeusz Zbiegień

机构 * Bernoulli Institute of Mathematics, Computer Science and Artificial Intelligence, University of Groningen（格罗宁根大学伯努利数学、计算机科学与人工智能研究所） ； Department of Legal Theory, Jagiellonian University（雅盖隆大学法律理论系） 纠错

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

AI总结 本文研究基于大语言模型的多智能体审议方法在法律推理任务中的应用，提出两种受法庭程序和论证启发的框架，实验表明其与基线模型性能相当但答案差异显著，尤其擅长需要多角度批判性思维的问题。

Comments This manuscript has been accepted for presentation at the AIDA2J Workshop during the 21st International Conference of AI & Law in Singapore, June 8 2026

MAS-PromptBench: When Does Prompt Optimization Improve Multi-Agent LLM Systems?

MAS-PromptBench：提示优化何时能提升多智能体LLM系统？

Juyang Bai, Laixi Shi

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯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)；workflow(abstract)；agentic(abstract)

AI总结 系统研究提示优化在多智能体LLM系统中的效果，发现其能显著提升性能，但收益依赖于任务、工作流和团队规模等配置。

Comments Project page: https://juyangbai.github.io/MAS-PromptBench/ ; Code: https://github.com/juyangbai/MAS-PromptBench

Toward Vibe Medicine: A Self-Evolving Multi-Agent Framework for Clinical Decision Support

迈向振动医学：一种用于临床决策支持的自演化多智能体框架

Qianxue Zhang, Yiming Ren, Shihuan Qin, Xiao Zhang, Liao Zhang, Jinyang Huang, Zhengliang Liu, Chenbin Liu, Hongying Feng, Jingyuan Chen, Yuzhen Ding, Weihang You, Hanqi Jiang, Yi Pan, Yifan Zhou, Junhao Chen, Lifeng Chen, Wei Liu, Tianming Liu, Zengren Zhao, Lian Zhang

机构 * Medical AI Lab, The First Hospital of Hebei Medical University（河北医科大学第一医院医学人工智能实验室） ； Hebei Provincial Engineering Research Center for AI-Based Cancer Treatment Decision-Making, The First Hospital of Hebei Medical University（河北省人工智能癌症治疗决策工程研究中心，河北医科大学第一医院） ； State Key Laboratory of Neurology and Oncology Drug Development（神经与肿瘤药物研发国家重点实验室） ； School of Computing, University of Georgia（佐治亚大学计算学院） ； Department of Radiation Oncology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital and Shenzhen Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院北京协和医学院国家癌症中心/国家肿瘤临床医学研究中心/肿瘤医院深圳医院放射治疗科） ； Department of Radiation Oncology, Mayo Clinic（梅奥诊所放射肿瘤科） ； College of Mechanical and Power Engineering, China Three Gorges University（三峡大学机械与动力工程学院） ； Department of Radiation Oncology, Guangzhou Concord Cancer Center（广州康华肿瘤中心放射治疗科） ； Gastrointestinal Disease Diagnosis and Treatment Center, The First Hospital of Hebei Medical University（河北医科大学第一医院胃肠疾病诊疗中心） ； Department of General Surgery, The First Hospital of Hebei Medical University（河北医科大学第一医院普通外科） 纠错

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

AI总结 提出VIBEMed多智能体框架，通过自演化机制和架构级安全沙箱，从交互历史中动态学习，实现个性化临床决策支持。

DuMate-DeepResearch: An Auditable Multi-Agent System with Recursive Search and Rubric-Grounded Reasoning

DuMate-DeepResearch：一种具有递归搜索和基于评分准则推理的可审计多智能体系统

Lingyong Yan, Can Xu, Yukun Zhao, Wenxuan Li, Qingyang Chen, Jiulong Wu, Wenli Song, Xiangnan Li, Weixian Shi, Yiqun Chen, Xuchen Ma, Yuchen Li, Jiashu Zhao, Shuaiqiang Wang, Jianmin Wu, Dawei Yin

机构 * Baidu AI Cloud（百度AI云） 纠错

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

AI总结 提出DuMate-DeepResearch多智能体框架，通过解耦智能体核心与工具生态、引入图动态规划、递归双层执行和基于评分准则的测试时优化，在深度研究基准上取得最优结果。

Comments Technical report by the DuMate Team. 26 pages, 6 figures, 4 tables

AgentForge: An Immersive Role-Playing Platform for Learning Agentic Software Engineering

AgentForge：用于学习智能体软件工程的沉浸式角色扮演平台

Zihan Fang, Yueke Zhang, Yu Huang

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

AI总结 本研究提出沉浸式角色扮演平台AgentForge，让新手在多智能体代码修复工作流中担任软件工程角色，经37名新手开发者测试，该平台可提升新手的软件工程技能与智能体协作理解。

Comments 7 pages, 2 figures

AOC-CBS: Anytime-Optimal Continuous-time Conflict-Based Search for Generalised Multi-Agent Path Finding

AOC-CBS：适用于通用多智能体路径规划的任何时候最优连续时间基于冲突的搜索算法

Alvin Combrink, Sabino Francesco Roselli, Martin Fabian

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

AI总结 本研究针对通用多智能体路径规划问题，提出AOC-CBS算法，该算法可 anytime-optimal 求解，实验表明其在接受有界最优性间隙时能将可扩展性从数十智能体扩展到数百个。

Comments 65 pages, 19 figures

Why Study Emergent Behavior When You Can Regulate It? Aligning Multi-Agent Systems with Reward Prediction

为何要研究涌现行为？你可以对其进行调控！让多智能体系统与奖励预测对齐

Assaf Caftory, Almog Zemach, Moshe Butman, Doron Friedman

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

AI总结 本文提出多智能体奖励预测（MARP）框架，通过学习共享奖励模型调控多智能体涌现行为，在收获游戏中验证其能使智能体行为对齐多样社会目标，为调控涌现行为提供了数据驱动的方法。

Group Perspective Matters: Regulating Debate Relationships Can Mitigate Blind Conformity in Multi-Agent Debate

群体视角至关重要：调控辩论关系可缓解多智能体辩论中的盲目从众

Hao Wu, Shoucheng Song, Chang Yao, Haoyu Wang, Huaiyu Wan, Youfang Lin, Kai Lv

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

AI总结 针对多智能体辩论中LLMs易盲目从众的问题，提出DEAR框架，通过动态调控辩论关系缓解该问题，实验显示其性能更优且token消耗显著降低。

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)