AI Agent

Poster: EdgeCitadel -- Hybrid NATS-MQTT Orchestration for Edge Multi-Agent Systems

海报：EdgeCitadel——面向边缘多智能体系统的混合NATS-MQTT编排

Zhonghao Zhan, Yefan Zhang, Hamed Haddadi

机构 * Imperial College London（帝国理工学院伦敦分校） ； Independent Researcher（独立研究员） 纠错

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

AI总结 针对边缘AI智能体协调依赖云传输或中央中继的问题，提出基于NATS 2.10服务器与内置MQTT适配器的混合编排平台EdgeCitadel，实现异构智能体连接、持久化存储、直接委托和被动聚合，并在ARM64、x64和Android设备上验证。

Trust but Verify: Mitigating Medical Hallucinations via Post-Hoc Adversarial Auditing and Multi-Agent Feedback Loops

信任但验证：通过事后对抗审计和多智能体反馈循环减轻医学幻觉

Muhammad Osama, Maheera Amjad, Zartasha Mustansar, Arslan Shaukat, Muhammad U. S. Khan

机构 * Data Science and Machine Learning Lab, SINES, NUST（NUST SINES数据科学与机器学习实验室） ； SINES, NUST（NUST SINES） ； CEME, NUST（NUST CEME） 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 本研究提出一种五智能体“信任但验证”系统，通过事后对抗审计和多智能体反馈循环，将大型语言模型在临床问题中推荐禁用药品的幻觉错误率降低约53%。

A Lightweight Multi-Agent Framework for Automated Concrete Barrier Design

一种用于自动混凝土护栏设计的轻量级多智能体框架

Wanting Wang, Xiye Ma, Yuyang He, Minghui Cheng, Ran Cao

机构 * College of Civil Engineering, Hunan University（湖南大学土木工程学院） ； Department of Civil and Architectural Engineering, University of Miami（迈阿密大学土木与建筑系） ； School of Architecture, University of Miami（迈阿密大学建筑学院） 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 提出基于AutoGen的“生成-评估-优化”闭环多智能体框架，实现混凝土护栏自动设计，准确率超98%，且8B参数轻量模型可优于631B旗舰模型。

INFRAMIND: Infrastructure-Aware Multi-Agent Orchestration

INFRAMIND: 基础设施感知的多智能体编排

Ahasan Kabir, Jiaqi Xue, Mengxin Zheng, Qian Lou

机构 * University of Central Florida（中佛罗里达大学） 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 提出INFRAMIND框架，通过强化学习将基础设施状态（队列深度、KV缓存压力等）融入多智能体LLM编排的规划、路由和调度决策，在共享GPU集群上实现质量与延迟的平衡，相比基线提升最高7.6%准确率并降低7倍延迟。

Comments Preprint

ConMem: Structured Memory-Guided Adaptation in Training-Free Multi-Agent Systems

ConMem: 无训练多智能体系统中的结构化记忆引导自适应

Zhixun Tan, Qiang Chen, Tairan Huang, Xiu Su, Yi Chen

机构 * Central South University（中南大学） ； 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)；planning(abstract)；分类 cs.AI

AI总结 提出ConMem框架，通过结构化记忆卡片和关系感知记忆图实现多智能体系统的高效自适应，无需额外训练，在多个基准上提升性能并降低推理开销。

CoPlan: A Trustworthy Co-Intelligence Interface for Care Planning through Role-Based Contestable Argument Graphs

CoPlan：一种基于角色可争议论证图的可信协同智能照护规划界面

Hung Truong Thanh Nguyen, Hélène Fournier, Piper Jackson, Makoto Itoh, Shannon Freeman, Rene Richard, Hung Cao

机构 * University of New Brunswick（新不伦瑞克大学） ； National Research Council Canada（加拿大国家研究委员会） ； Thompson Rivers University（汤普森河大学） ； ISB Corporation（ISB公司） ； University of Northern British Columbia（北英属哥伦比亚大学） 纠错

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

AI总结 本研究提出CoPlan界面，通过多智能体工作流结合协同智能与可争议性，实现人机协同照护规划，保留人类自主性与临床问责制，已在就地养老场景中验证其有效性。

Comments Accepted at the 2026 International Conference on Next Generation AI Systems (NGEN-AI 2026)

Beyond Component Testing: Validating Agentic AI Systems

超越组件测试：验证智能体AI系统

Fabio Orazio Mirto, Luca D'Agati, Giuseppe Tricomi, Stefano Silvestri, Francesco Longo, Antonio Puliafito, Giovanni Merlino

机构 * University of Messina（墨西拿大学） 纠错

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

AI总结 该综述综合257篇相关文献，构建五维分类法分析智能体AI系统验证问题，指出现有方法的缺口，提出面向生命周期的研究议程，主张需在上下文中验证智能体轨迹以实现可信部署。

Comments 61 pages, 3 figures, to be submitted to Springer Artificial Intelligence Review

Autonomous Cyber Defense in Connected Vehicles: A Multi-Agent Approach to V2X Security

网联车辆中的自主网络防御：一种面向V2X安全的多智能体方法

Krishna Teja Medam

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

AI总结 针对网联车辆V2X安全，提出三层多智能体架构，以SAE标准时序为硬性约束，分层处理消息分类、冲突解决与模型优化，解决现有入侵检测系统的安全-安保冲突问题。

A Locally Deployable Tool-Grounded LLM Multi-agent Framework for Automating Methane Emission Analysis and Reporting

一种可本地部署的基于工具的大语言模型多智能体框架，用于自动化甲烷排放分析与报告

Yang Yan, Zifan Zhou, Xuan Wang, Erum Hassan, Bilguunzaya Mijiddorj, Jie Cao, Bin Li, Binbin Weng

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

AI总结 本研究开发了一种可本地部署的基于工具的LLM多智能体框架，用于自动化甲烷排放分析与报告，在多类真实场景测试中表现优异，能缩短工作流时间、降低人力需求并提升数据安全性。

aDSL: Agentic 3D Creation via Joint Agent-Program Design

aDSL：通过智能体-程序联合设计实现智能体驱动的3D内容创建

Rui-Huan Wang, Si-Tong Wei, Jia-Qi He, Heng-Yi Wei, Baoquan Chen, Peng-Shuai Wang

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

AI总结 该研究联合设计以智能体为中心的领域特定语言aDSL与角色专业化多智能体系统，通过“规划-执行-评审”循环提升3D内容创建的鲁棒性等，在文本到形状等任务上优于LLM基线。

Planner-Conditioned Diffusion for Coordinated Multi-Agent Exploration

用于协调多智能体探索的规划器条件扩散模型

Marcus Yu Siong Teo, Jeric Lew, Tanishq Duhan, Guillaume Sartoretti

机构 * National University of Singapore（新加坡国立大学） 纠错

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

AI总结 提出规划器条件扩散策略PCDP，通过规划器身份作为条件输入训练多模态单智能体策略，结合局部重排序实现协调，在多智能体探索中提升性能并验证了方法有效性。

Comments Code and models are available at https://github.com/marmotlab/PCDP

VLM- and LLM-Driven Multi-Agent System for PET Image Denoising

基于视觉语言模型（VLM）与大语言模型（LLM）驱动的多智能体正电子发射断层扫描（PET）图像去噪系统

Boxiao Yu, Savas Ozdemir, Yang Xing, Fumio Hashimoto, Jiong Wu, Yizhou Chen, Axel Rominger, Ruogu Fang, Kuangyu Shi, Tinsu Pan, Kuang Gong

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

AI总结 针对PET图像分辨率低、信噪比差及深度学习去噪部署需多模型与专家干预的问题，本文提出VLM与LLM驱动的多智能体闭环PET去噪框架，自主选最优模型参数，在低剂量数据上优于UNet等基线方法。

Wrong but Useful: Trajectory Value Beyond Answer Correctness in Multi-Agent Messages

错误但有用：多智能体消息中超越答案正确性的轨迹价值

Chih-Hsuan Yang, Anjir Ahmed Chowdhury, Cheng-Hau Yang, Weijian Zheng, Fernando Llorente, Xiaolong Ma, Xinyang Li, Eliu A. Huerta, Ian T. Foster, Rajeev Thakur

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

AI总结 该研究提出DHD协议，发现多智能体错误消息含有用信息，错误但有帮助的消息普遍存在，其轨迹价值可辅助决策，答案正确性不决定轨迹价值。

Comments 24 pages, 9 figures. Includes an appendix and an ancillary reproducibility artifact

Who Are You Explaining To? A Multi-Agent System for Audience-Aware XAI Narratives

你在向谁解释？面向受众感知的XAI叙事多智能体系统

Francesco Musicco, Danilo Danese, Giuseppe Fasano, Angela Lombardi, Alberto Carlo Maria Mancino, Tommaso Di Noia

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

AI总结 针对现有XAI叙事无法适配不同受众的问题，提出XstrAI多智能体框架，结合三类LLM智能体与修正循环，在糖尿病、中风风险预测任务中，其叙事适配性与保真度优于多数基线。

Beyond Cash Flows: A Multi-Agent AI Framework for Valuing Clinical-Stage, Cross-Border Biotechnology

超越现金流：用于临床阶段跨境生物技术估值的多智能体AI框架

Yuhan Fang

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

AI总结 本文针对临床阶段生物技术估值的现金流假设失效问题，提出多智能体AI框架，其含估值层、跨市场协调层与冲突融合机制，基于作者过往实践确立智能体投资系统设计原则。

MoRSE: Task-Oriented Multi-Agent System with Mixture of Role-Subtask Experts

MoRSE：面向任务的混合角色-子任务专家多智能体系统

Peiwen Li, Shiyang Zhang, Yangtian Zhang, Sizhuang He, David van Dijk, Rex Ying

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

AI总结 MoRSE是一种面向任务的多智能体系统，通过角色-子任务专家混合机制与分层组相对策略优化，在代码生成基准上提升了任务及逐步性能，且专业化增益可跨任务类别与领域泛化。

Comments 25 pages, 8 figures, 9 tables

Plan-and-Avoid: Real-Time Aircraft Trajectory Coordination in a Multi-Agent Environment

规划与避让：多智能体环境下的实时飞行器轨迹协调

Huseyin Emre Tekaslan, Ella M. Atkins, Natasha Neogi

机构 * Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学） ； NASA Langley Research Center（NASA兰利研究中心） 纠错

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

AI总结 该研究提出Plan-and-Avoid框架，针对多智能体空域环境，通过实时生成协作建议，在900余起强制着陆案例测试中，以5.7秒最坏响应时间实现优先级轨迹的低延迟安全间隔协调。

History Matters: Meta-policy Delegation with Heterogeneous Multi-agent Reinforcement Learning

历史至关重要：异构多智能体强化学习的元策略委托

Ziqing Lu, Avinash Reddy Mudireddy, Sarra Alqahtani, Weiyu Xu

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

AI总结 本文针对异构多智能体系统的资源受限任务委托问题，提出依赖交互历史的元策略委托框架与多维货币机制，基于多智能体强化学习实现高效协作与低成本任务完成。

AgenticVAU: Multi-Agent Explore-Verify Reasoning for Video Anomaly Understanding

AgenticVAU：用于视频异常理解的多智能体探索-验证推理框架

Yuxiang Duan, Huining Li, Ao Li, Shuai Feng, Lanju Kong, Ning Liu, Jian Zhang, Xingdong Sheng, Yuntao Du

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

AI总结 本文提出无需训练的多智能体框架AgenticVAU，通过四个专门智能体协作完成视频异常理解的探索-验证过程，在VAU-Bench数据集上优于零样本推理及强化学习基线方法。

Attacking and Defending Multi-Agent Collaborative Filtering Systems Through Connectivity

通过连通性对多智能体协同过滤系统发起攻击与防御

Anjun Hu, Hanting Xie, Saranya Govindan, Jas Kandola, Kurt Cutajar

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

AI总结 本研究将MAS的攻击与防御方法适配到AgentCF框架下的智能体CF场景，表征连通性对攻防结果的影响，还探索了流行病启发指标用于CF配置的健壮性评估。

Comments 10 pages, 10 figures, 20th ACM Conference on Recommender Systems (RecSys '26)

MDGAM-Based Cooperative Task Scheduling for Communication-Constrained Distributed Multi-Agent Systems

基于MDGAM的通信受限分布式多智能体系统协同任务调度

Licheng Wang, Mingtao Huang, Yuan Shen

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

AI总结 针对通信受限分布式多智能体系统的任务调度问题，本文提出基于MDGAM的神经调度框架，结合GRMAPG算法，经实验验证其可提升任务完成性能。

ParticleGen: A Multi-Agent System for Particle Effects Generation

ParticleGen：用于粒子效果生成的多智能体系统

Junhao Zhuge, Junyi Yang, Yuqing Wang, Kangzhan Wang, Sipeng Yang, Xiaogang Jin

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

AI总结 本研究提出多智能体框架ParticleGen，可从自然语言描述合成结构化可编辑粒子系统，经Unreal Engine 5的Niagara系统多场景验证，能降低创作门槛、提升迭代效率。

Scaling LLM-Driven Multi-Agent Systems: Design Principles and Architectural Scalability Analysis

扩展大语言模型驱动的多智能体系统：设计原则与架构可扩展性分析

Linus Sander, Fengjunjie Pan, Vahid Zolfaghari, Andre Schamschurko, Nenad Petrovic, Alois Knoll

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

AI总结 该研究提炼出可扩展多智能体系统的四项设计原则，构建参考架构并在基准任务上评估，发现LLM超能力阈值时扩展可提升准确率但成本近似线性增长，性能在中等复杂度达峰，一致性是核心挑战。

ThreatForest: Multi-Agent Attack Tree Generation with Pluggable TTP Framework Mapping

ThreatForest：基于可插拔TTP框架映射的多智能体攻击树生成方法

Cristian Leo, Anton Dykyi, Danny Cortegaca, Daniel Begimher, Prakash Jha

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

AI总结 ThreatForest是首个将代码仓库转化为带TTP映射攻击树及对应缓解措施的端到端多智能体系统，其嵌入编码器是TTP映射准确率的核心瓶颈，相关基准框架可用于同类系统测试。

Comments 20 pages, 12 tables, 1 figure

Towards Faithful Sentimental Image Captioning via Evidence-Aware Multi-Agent Reasoning

通过证据感知多智能体推理实现忠实的情感图像字幕生成

Tiecheng Cai, Zexian Yang, Chao Chen, Shanshan Lin, Xiangwen Liao

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

AI总结 研究情感图像字幕生成中平衡情感表达与视觉保真度的问题，提出SEA-Cap系统，通过情感证据挖掘器提取线索，利用多智能体协作工作流程，依视觉证据审核完善字幕，有效减轻幻觉并达最优性能。

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

Stigmergic Graph Memory: An Environment-Aware Approach for Many-to-Many Multi-Agent Pickup and Delivery

stigmergic图记忆：一种用于多对多多智能体取货和送货的环境感知方法

Aditya Dutta, Joon-Seok Kim

机构 * Aditya Dutta, Joon-Seok Kim ∗（Aditya Dutta, Joon-Seok Kim） 纠错

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

AI总结 研究多对多多智能体取货和送货问题，提出SGM方法，通过记录仓库节点和边的近期执行信号排序端点与路由偏好，在多种布局、负载条件下实验，结果显示该方法能提高仓库吞吐量。

Comments 16 pages total: 7 pages main text, 2 pages references, and 7 pages appendix

Route, Communicate, and Reason: Gated Routing and Adaptive Depth for Efficient Multi-Agent Reasoning

路由、通信与推理：用于高效多智能体推理的门控路由与自适应深度

Sudipto Ghosh, Tanmoy Chakraborty

机构 * Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度理工学院德里分校雅迪人工智能学院） ； Department of Electrical Engineering, Indian Institute of Technology Delhi（印度理工学院德里分校电气工程系） 纠错

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

AI总结 研究针对多智能体推理中未解决的问题，提出GRADE分层多智能体系统，用四个轻量级学习门控及CoGRPO训练方法，智能体模型可热插拔。该系统在多个任务上优于基线，消融实验明确关键因素，证明校准对热插拔必要。

Adoption and Ecosystem Health: A Longitudinal Analysis of Open-Source Multi-Agent Frameworks

采用与生态系统健康：开源多智能体框架的纵向分析

Xi Zhang, Papi Menon, Vivian Chu, Koray Cosguner

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

AI总结 通过分析15个主要开源AI智能体框架的80万+星标、7.4万PR等数据，发现星标数不可靠，提出以贡献者密度、跨生态参与度和留存率衡量生态系统健康。

Comments 24 pages, 10 figures