AI Agent

Domain Adaptable Prescriptive AI Agent for Enterprise

Piero Orderique, Wei Sun, Kristjan Greenewald

专题命中 工具调用 ：agent(title,abstract)；AI agent(title)；function calling(abstract)；分类 cs.AI

MARL-LNS: Cooperative Multi-agent Reinforcement Learning via Large Neighborhoods Search

Weizhe Chen, Sven Koenig, Bistra Dilkina

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.LG

Gaussian Max-Value Entropy Search for Multi-Agent Bayesian Optimization

Haitong Ma, Tianpeng Zhang, Yixuan Wu, Flavio P. Calmon, Na Li

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.LG

Comments 10 pages, 9 figures

MANAS: Multi-Agent Neural Architecture Search

Vasco Lopes, Fabio Maria Carlucci, Pedro M Esperança, Marco Singh, Victor Gabillon, Antoine Yang, Hang Xu, Zewei Chen, Jun Wang

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.LG

Cooperative Multi-Agent Search on Endogenously-Changing Fitness Landscapes

Chin Woei Lim, Richard Allmendinger, Joshua Knowles, Ayesha Alhosani, Mercedes Bleda

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

EECBS: A Bounded-Suboptimal Search for Multi-Agent Path Finding

Jiaoyang Li, Wheeler Ruml, Sven Koenig

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

Comments Published at AAAI 2021

Learning to Resolve Conflicts for Multi-Agent Path Finding with Conflict-Based Search

Taoan Huang, Bistra Dilkina, Sven Koenig

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

Resolving Head-On Conflicts for Multi-Agent Path Finding with Conflict-Based Search

Lun Yang

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

Conflict-Based Search for Connected Multi-Agent Path Finding

Arthur Queffelec, Ocan Sankur, François Schwarzentruber

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

A Summary of Adaptation of Techniques from Search-based Optimal Multi-Agent Path Finding Solvers to Compilation-based Approach

Pavel Surynek

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

Lazy Modeling of Variants of Token Swapping Problem and Multi-agent Path Finding through Combination of Satisfiability Modulo Theories and Conflict-based Search

Pavel Surynek

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

Ling and Ring 2.6 Technical Report: Efficient and Instant Agentic Intelligence at Trillion-Parameter Scale

Ling 和 Ring 2.6 技术报告：高效且即时的万亿参数规模智能体智能

Ang Li, Ben Liu, Bin Han, Bin Hu, Bin Jing, Binbin Hu, Bing Li, Cai Chen, Caizhi Tang, Changxin Tian, Chao Huang, Chao Zhang, Chen Liang, Chen Qian, Chengfu Tang, Chengyao Wen, Chilin Fu, Chunwei Wu, Cong Zhang, Cunyin Peng, Daixin Wang, Dalong Zhang, Deng Zhao, Dingnan Jin, Dingyuan Zhu, Donghao Zhang, Fan Yuan, Fangzheng Zhao, Fanzhuang Meng, Feifan Wu, Feng Xu, Fengbin Fang, Gangshan Wang, Guodong Yang, Hailin Zhao, Haitao Wang, Haitao Zhang, Hanxiao Zhang, Hanzi Wang, Hao Dai, Hao Liu, Hao Qian, Hao Wu, Haoxiong Liu, Haoyu Xu, Heng Zhang, Hong Liu, Hongliang Zhang, Hongrui Liu, Hongxun Li, Hongzhi Ruan, Huaidong Xiong, Huihuang Zheng, Huikang Tang, Jia Guo, Jia Li, Jia Liu, Jiameng Wang, Jiaming Liu, Jiannan Shi, Jianping Wei, Jiaolong Yang, Jiapeng Wang, Jie Gao, Jie Wang, Jiewei Wu, Jin Yang, Jinjin Li, Jinjing Huang, Jinquan Sun, Jinyao Chen, Juanhui Tu, Jun Liu, Jun Mei, Jun Xu, Jun Zhou, Junjie Ou, Junnan Sipan, Junpeng Fang, Kaihong Zhang, Kaiqin Hu, Ke Shi, Kuan Xu, Kun Tang, Kunlong Chen, Lanyin Mei, Lei Chen, Lei Liang, Lei Xu, Li Tang, Liang Jiang, Liangcheng Fu, Lihui Zhang, Linfeng Shi, Lintao Ma, Liyuan Liu, Longfei Li, Longfei Zheng, Lu Liu, Lu Yu, Man Li, Meiqi Zhu, Meng Li, Mengjie Gao, Mengshu Sun, Mingming Yin, Mingyang Zhang, Mingyuan Fan, Nuo Xu, Pan Tang, Peijie Jiang, Peilong Zhao, Peng Lin, Pingping Liu, Qi Zuo, Qian Zhao, Qiang Cheng, Qianggang Cao, Qiaoben Bao, Qing Cui, Qingyuan Yang, Qitao Shi, Qiyin Huang, Qizheng Zhou, Quan Wan, Runyuan Zhao, Shaomian Zheng, Shaowei Wei, Shengnan Zhang, Shuaicheng Li, Shujie Li, Shuo Zhang, Sikang Bian, Tianchu Yao, Tiange Xu, Tianshu Wang, Ting Guo, Tinghao Wang, Tingwei Huang, Tong Zhao, Tongkai Yang, Wang Hong, Wanli Gu, Wei Lu, Weichang Wu, Weiguang Han, Weiquan Li, Wenbo Shen, Wenjing Fang, Wenzhi Tang, Xiang Shu, Xiao Shi, Xiaodong Yan, Xiaolu Zhang, Xiaopei Wan, Xiaqing Sun, Xin Zhao, Xingyu Lu, Xinxing Yang, Xinyao Tang, Xinyu Kong, Xinyu Liu, Xiong Xu, Xuan Sun, Xudong Han, Xudong Wang, Xujie Shen, Yalin Zhang, Yangyang Hou, Yankun Ren, Yao Zhao, Ye Chen, Yeyang Chen, Yibo Cao, Yifan Zuo, Yijie Chen, Ying Li, Yingjie Song, Yingxue Li, Yiqi Wang, Yixuan Sun, Yizhu Xiao, Yongfei Xu, Yu Liu, Yuchen Fang, Yue Gao, Yue Yu, Yue Zhang, Yuqi Zhang, Yuxiao He, Yuxiao Lu, Yuxin Tian, Yuxuan Li, Yuzhuo Fu, Zhankai Xu, Zhaoxin Huan, Zhenduo Zhang, Zhengke Gui, Zhengyu Huang, Zhenjun Ma, Zhenxuan Pan, Zheping Qu, Zhibo Zhu, Zhidong Fan, Zhigang Huangfu, Zhihao Wang, Zhiqiang Zhang, Zhizhen Liu, Zhuyan Zhou, Zibin Lin, Zihang Zeng, Zihao Wang, Zilong Wang, Ziqi Liu, Zitao Xuan, Zixuan Cheng, Zujie Wen, Zuoli Tang

机构 * Ling Team（Ling团队） ； Inclusion AI 纠错

专题命中 工具调用 ：agentic(title,abstract)；agent(abstract)；tool use(abstract)；workflow(abstract)

AI总结 提出Ling-2.6和Ring-2.6模型系列，通过架构迁移预训练、混合线性注意力设计及KPop强化学习框架，实现低延迟、强推理与高效部署，开源所有检查点。

Agents All the Way Down; A Methodology for Building Custom AI Agents from Substrate to Production

层层代理：从底层到生产构建自定义AI代理的方法论

Marc Alier Forment, Juanan Pereira, Francisco José García-Peñalvo, María José Casañ Guerrero

机构 * Universitat Politècnica de Catalunya (UPC)（西班牙巴塞罗那理工大学） ； Universidad del País Vasco / Euskal Herriko Unibertsitatea (UPV/EHU)（西班牙巴斯克大学） 纠错

专题命中 工具调用 ：AI agent(title,abstract)；agent(abstract)；function calling(abstract)；multi-agent(abstract)

AI总结 提出一种无框架的方法论，通过两个前提条件（将LLM作为软件组件和构建块）和三个实践（原型设计、打包为CLI、代理测试代理）来构建自定义AI代理，实现端到端开发。

RUBAS: Rubric-Based Reinforcement Learning for Agent Safety

RUBAS: 基于评分标准的强化学习用于智能体安全

Xian Qi Loye, Qinglin Su, Zhexin Zhang, Shiyao Cui, Qi Zhu, Fei Mi, Hongning Wang, Minlie Huang

机构 * The Conversational AI (CoAI) group, DCST, Tsinghua University（清华大学对话人工智能（CoAI）组，DCST，清华大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

专题命中 工具调用 ：agent(title,abstract)；tool use(abstract)；tool-use(abstract)；agentic(abstract)

AI总结 提出RUBAS框架，通过将智能体行为分解为四个维度的评分标准提供细粒度奖励，利用强化学习在保证任务完成的同时提升工具使用安全性。

CausalFlow: Causal Attribution and Counterfactual Repair for LLM Agent Failures

CausalFlow: LLM Agent 失败的因果归因与反事实修复

Akash Bonagiri, Devang Borkar, Gerard Janno Anderias, Setareh Rafatirad, Houman Homayoun

机构 * Department of Computer Science University of California, Davis（计算机科学系加州大学戴维斯分校） 纠错

专题命中 工具调用 ：agent(title,title_cn)；tool use(abstract)；分类 cs.AI、cs.LG

AI总结 提出CausalFlow框架，通过反事实干预计算步骤级因果责任分数，识别失败步骤并生成最小编辑修复，用于测试时修复和训练时监督，在多个基准上优于启发式方法。

LLM Agent Based Renewable Energy Forecasting Using Edge and IoT Data A Review of Solar Wind Weather and Grid Aware Decision Support

基于LLM Agent的利用边缘和物联网数据的可再生能源预测：太阳能、风能、天气和电网感知决策支持综述

Pavan Manjunath, Thomas Pruefer

机构 * Independent Researcher（独立研究员） 纠错

专题命中 工具调用 ：agent(title,title_cn)；planning(abstract)；分类 cs.AI、cs.CL

AI总结 本文综述了如何利用大语言模型代理整合异构传感器流、天气API数据、历史发电记录和电网约束，形成统一的决策支持工作流，以增强可再生能源预测。

Willful Disobedience: Automatically Detecting Failures in Agentic Traces

有意违背：自动检测代理轨迹中的故障

Reshabh K Sharma, Shraddha Barke, Benjamin Zorn

机构 * University of Washington（华盛顿大学） ； Microsoft Research（微软研究院） 纠错

专题命中 工具调用 ：agentic(title,abstract)；agent(abstract)；AI agent(abstract)；workflow(abstract)

AI总结 本文提出AgentPex工具，通过提取规则自动评估代理轨迹，发现传统仅关注结果的评估方法无法检测到关键流程故障，如错误的工作流路由、不安全的工具使用或违反提示规则的情况。

Comments Accepted at ACM CAIS 2026

Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents

代理数据协议：统一多样化、高效的LLM代理微调数据集

Yueqi Song, Ketan Ramaneti, Zaid Sheikh, Ziru Chen, Boyu Gou, Tianbao Xie, Yiheng Xu, Danyang Zhang, Apurva Gandhi, Fan Yang, Joseph Liu, Tianyue Ou, Zhihao Yuan, Frank Xu, Shuyan Zhou, Xingyao Wang, Xiang Yue, Tao Yu, Huan Sun, Yu Su, Graham Neubig

机构 * Carnegie Mellon University（卡内基梅隆大学） ； The Ohio State University（俄亥俄州立大学） ； University of Hong Kong（香港大学） ； Duke University（杜克大学） ； Fujitsu Research（富士通研究） ； All Hands AI（全手AI） 纠错

专题命中 工具调用 ：agent(title,abstract)；AI agent(abstract)；tool use(abstract)；agentic(abstract)

AI总结 本文提出代理数据协议（ADP），通过统一多样化代理训练数据集，提升LLM代理微调效果，实现20%的性能提升并在多个基准上达到SOTA水平。

Process-Supervised Reinforcement Learning for Interactive Multimodal Tool-Use Agents

Weiting Tan, Xinghua Qu, Ming Tu, Meng Ge, Andy T. Liu, Philipp Koehn, Lu Lu

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 工具调用 ：tool-use(title,abstract)；tool use(abstract)；planning(abstract)；agentic(abstract)

LiteWebAgent: The Open-Source Suite for VLM-Based Web-Agent Applications

Danqing Zhang, Balaji Rama, Jingyi Ni, Shiying He, Fu Zhao, Kunyu Chen, Arnold Chen, Junyu Cao

机构 * Rutgers University（罗格斯大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 工具调用 ：agent(title,abstract)；planning(abstract)；workflow(abstract)；function calling(abstract)

In-Context VLA: Endowing Vision-Language-Action Models with Language via In-Context Post-Training and Agentic Tool Use

上下文视觉-语言-动作模型：通过上下文后训练与智能体工具使用为视觉-语言-动作模型赋予语言能力

Jiarui Yang, Wen Huang, Jiale Zhang, Maowei Hu, Hang Guo

专题命中 工具调用 ：agentic(title,abstract)；tool use(title)；tool-use(abstract)

AI总结 该研究针对现有VLA模型用CoT会降低控制性能的问题，提出通过上下文后训练和智能体工具使用赋予VLA语言能力的方法，在多模拟和真实机器人任务上实现SOTA性能与效率。

AgentGuard: An Attribute-Based Access Control Framework for Tool-Use LLM-Based Agent

AgentGuard：面向工具使用型LLM智能体的基于属性的访问控制框架

Jiaqi Luo, Songyang Peng, Jiarun Dai, Zhile Chen, Zhuoxiang Shen, Geng Hong, Xudong Pan, Yuan Zhang, Min Yang

专题命中 工具调用 ：agent(title,abstract)；tool-use(title,abstract)

AI总结 提出AgentGuard框架，通过客户端-服务器架构和三种互补检查机制，为工具使用型LLM智能体提供轻量级集成与跨工具安全风险防护。

TSAgent: An Agentic Workflow for Autonomous Transition State Search

TSAgent：一种用于自主过渡态搜索的智能工作流

Varun Madhavan, Ankit Mathanker, Dean M. Sweeney, Oluwatosin A. Ohiro, Yixin Wang, Bryan R. Goldsmith

专题命中 工具调用 ：workflow(title,abstract)；agentic(title,abstract)

AI总结 TSAgent通过持续的计划-执行-分析-重新计划循环，自动在密度泛函理论水平上搜索过渡态，实现了83%的准确率，并在对比实验中表现出优于人类专家的性能。

Temp-R1: A Unified Autonomous Agent for Complex Temporal KGQA via Reverse Curriculum Reinforcement Learning

Temp-R1：通过反向课程强化学习实现复杂时间知识图谱问答的统一自主代理

Zhaoyan Gong, Zhiqiang Liu, Songze Li, Xiaoke Guo, Yuanxiang Liu, Xinle Deng, Zhizhen Liu, Lei Liang, Huajun Chen, Wen Zhang

机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； ZJU-Ant Group Joint Lab of Knowledge Graph（浙江大学-蚂蚁集团知识图谱联合实验室） 纠错

专题命中 工具调用 ：agent(title,abstract)；autonomous agent(title)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出Temp-R1，首个通过强化学习训练的时间知识图谱问答自主代理，通过扩展动作空间和反向课程学习提升复杂问题的推理能力，在MultiTQ和TimelineKGQA上取得最佳性能。

Comments ACL 2026 main

Large Neighborhood Search for Multi-Agent Task Assignment and Path Finding with Precedence Constraints

大规模邻域搜索用于具有优先级约束的多智能体任务分配与路径寻找

Viraj Parimi, Brian C. Williams

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出了一种大规模邻域搜索方法，用于解决具有优先级约束的多智能体任务分配与路径寻找问题，通过迭代改进可行解，提升任务分配和路径规划的效率。

CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search

CogSearch: 一种面向电子商务搜索的认知对齐多智能体框架

Zhouwei Zhai, Mengxiang Chen, Haoyun Xia, Jin Li, Renquan Zhou, Min Yang

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 CogSearch通过多智能体框架提升电子商务搜索的决策支持能力，实现决策成本降低和转换率提升

A Cooperative Multi-Agent Probabilistic Framework for Search and Track Missions

一种用于搜索与追踪任务的协作多智能体概率框架

Savvas Papaioannou, Panayiotis Kolios, Theocharis Theocharides, Christos G. Panayiotou, Marios M. Polycarpou

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出了一种协作多智能体框架，用于在未知数量目标的情况下高效搜索与追踪。

Comments arXiv admin note: substantial text overlap with arXiv:2302.00515

Journal ref IEEE Transactions on Control of Network Systems (Volume: 8, Issue: 2, June 2021)

Multi-Agent Guided Policy Search for Non-Cooperative Dynamic Games

多智能体引导策略搜索用于非合作动态博弈

Jingqi Li, Gechen Qu, Jason J. Choi, Somayeh Sojoudi, Claire Tomlin

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出多智能体引导策略搜索方法，通过引入近似先验正则化，解决非合作动态博弈中的策略不稳定问题，实验显示其在非线性车辆编队和篮球 formations 中表现更优。

Comments This paper has been accepted for presentation at the IEEE American Control Conference (ACC) 2026. We sincerely appreciate the reviewers' valuable and constructive feedback. The latest version of the manuscript incorporates their suggestions, including additional clarifications of theoretical assumptions, convergence guarantees, and experimental details

ARM-Thinker: Reinforcing Multimodal Generative Reward Models with Agentic Tool Use and Visual Reasoning

ARM-Thinker: 通过智能工具使用和视觉推理强化多模态生成奖励模型

Shengyuan Ding, Xinyu Fang, Ziyu Liu, Yuhang Zang, Yuhang Cao, Xiangyu Zhao, Haodong Duan, Xiaoyi Dong, Jianze Liang, Bin Wang, Conghui He, Dahua Lin, Jiaqi Wang

机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 工具调用 ：agentic(title,abstract)；tool use(title)；tool-use(abstract)

AI总结 ARM-Thinker通过智能工具使用和视觉推理提升多模态奖励模型的准确性与可解释性。

Distributed quantum architecture search using multi-agent reinforcement learning

使用多智能体强化学习的分布式量子架构搜索

Mikhail Sergeev, Georgii Paradezhenko, Daniil Rabinovich, Vladimir V. Palyulin

专题命中 工具调用 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出了一种基于多智能体强化学习的分布式量子架构搜索方法，以提高量子电路设计的收敛速度和计算效率。

Comments 13 pages, 10 figures