Curiosity-Driven Multi-Agent Exploration with Mixed Objectives
Korea Advanced Institute of Science and Technology（韩国科学技术院）
在单智能体强化学习中，内在奖励被越来越多地用于缓解稀疏奖励问题。这些内在奖励鼓励智能体寻找新的体验，引导智能体充分探索环境，尽管缺乏外在奖励。好奇心驱动的探索是一种简单而有效的方法，它将这种新奇性量化为智能体好奇心模块的预测误差，好奇心模块是一种内部神经网络，经过训练可以根据智能体的当前状态和动作预测智能体的下一个状态。然而，我们在这里表明，天真地使用这种好奇心驱动的方法来指导稀疏奖励合作多智能体环境中的探索并不总是会导致改进的结果。好奇心驱动的探索的简单多智能体扩展只考虑个人或集体的新颖性，因此，它们不提供一个独特的，但协作的内在奖励信号，这是必不可少的学习合作多智能体任务。在这项工作中，我们提出了一个好奇心驱动的多智能体探索方法，具有混合目标的激励代理人探索环境的方式，是单独和集体新颖的。首先，我们开发了一个双头好奇心模块，该模块被训练来预测相应的代理在第一个头中的下一个观察和在第二个头中的下一个联合观察。其次，我们将内在奖励公式设计为好奇心模块的个体和联合预测误差之和。我们的经验表明，我们的好奇心模块架构和内在的奖励制定相结合的指导多智能体探索更有效地比基线方法，从而提供了最佳的性能提升MARL算法在合作导航环境与稀疏的奖励。
2022-10-29 cs.AI cs.LG cs.MA
Reputation-driven Decision-making in Networks of Stochastic Agents
Katholieke Universiteit Leuven（天主教鲁汶大学）
本文研究的多智能体系统，涉及网络的自利代理。我们提出了一个马尔可夫决策过程衍生的框架，称为RepNet-MDP，量身定制的域中，代理商的声誉是一个关键的驱动程序之间的互动代理。基本原理基于RepNet-POMDP的原则，RepNet-POMDP是Rens等人在2018年开发的框架，但解决了其数学不一致性，并通过仅考虑完全可观察的环境来解决其棘手性。此外，我们使用一个在线学习算法，找到近似的解决方案RepNet-MDP。在一系列的实验中，RepNet代理被证明能够使自己的行为适应网络中剩余代理的过去行为和可靠性。最后，我们的工作确定了框架在其目前的制定，防止其代理人学习的情况下，他们不是一个主要演员的限制。
2020-10-20 cs.AI cs.MA cs.SI
LERO: LLM-driven Evolutionary framework with Hybrid Rewards and Enhanced Observation for Multi-Agent Reinforcement Learning
Qiyuan Lab（启元实验室）
LERO框架结合LLM与进化优化，通过混合奖励和增强观测解决多智能体强化学习中的信用分配与部分可观测性问题，在MPE中提升任务性能和训练效率。
2025-03-25 cs.AI cs.LG cs.MA
Robust Event-Driven Interactions in Cooperative Multi-Agent Learning
Delft University of Technology（代尔夫特理工大学）
我们提出了一种方法，以减少在多智能体学习系统中的代理之间所需的通信，利用固有的鲁棒性的底层马尔可夫决策过程。我们计算所谓的鲁棒性代理函数（离线），给代理一个保守的指示多远，他们的状态测量可以偏离之前，他们需要更新系统中的其他代理。这导致了完全分布式的决策功能，使代理能够决定何时需要更新其他代理。我们得到的最优性的系统的折扣和奖励方面的界限，并显示这些界限是一个函数的设计参数。此外，我们扩展的情况下，从数据中学习的鲁棒性代理函数的结果，目前的实验结果表明，代理之间的通信事件显着减少。
2022-09-07 cs.AI cs.MA cs.SY
Learning Multi-Agent Coordination through Connectivity-driven Communication
WMG, University of Warwick（华威大学制造工程学院）；University of Warwick（华威大学）；Alan Turing Institute（艾伦·图灵研究所）
在人工多智能体系统中，学习协作策略的能力取决于智能体的通信技能：它们必须能够对从环境中接收到的信息进行编码，并学习如何根据手头任务的要求与其他智能体共享。我们提出了一种深度的强化学习方法，连接驱动通信（CDC），促进了多智能体协作行为的出现，只有通过经验。代理被建模为一个加权图的节点，其状态依赖的边缘编码成对的消息，可以交换。我们引入了一个依赖于图的注意力机制，控制代理的传入消息如何加权。这种机制充分考虑了系统的当前状态，如图所示，并建立在一个扩散过程的基础上，该过程捕获了信息如何在图上流动。图拓扑不被假定为先验已知，而是动态地依赖于代理的观察，并且以端到端的方式与注意力机制和策略同时学习。我们的实证结果表明，CDC是能够学习有效的合作政策，并可以过度竞争学习算法的合作导航任务。
2022-12-01 cs.AI cs.LG cs.MA
Curiosity-driven Exploration in Sparse-reward Multi-agent Reinforcement Learning
Eindhoven University of Technology（埃因霍温理工大学）
在应用深度强化学习方法时，奖励的稀疏性对其样本效率产生负面影响。一个可行的解决方案，以处理稀疏的奖励是学习通过内在动机，主张增加一个内在的奖励的奖励函数，以鼓励智能体探索环境和扩大样本空间。虽然内在动机方法被广泛用于提高强化学习模型中的数据有效学习，但它们也存在所谓的分离问题。在这篇文章中，我们讨论了内在好奇心模块在稀疏奖励多智能体强化学习中的局限性，并提出了一种称为I-Go-Explore的方法，该方法将内在好奇心模块与Go-Explore框架相结合，以减轻分离问题。
2023-02-21 cs.AI
Competing with AI Scientists: Agent-Driven Approach to Astrophysics Research
Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪什天体物理学）；Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡夫利宇宙学研究所）；Institute of Astronomy, University of Cambridge（剑桥大学天文学研究所）；School of Natural Sciences, Institute for Advanced Study（高等研究院自然科学学院）；NERSC, Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室NERSC）
本文提出了一种代理驱动的方法，用于构建参数推断管道，通过多代理系统Cmbagent实现协作生成研究思路、编写执行代码、评估结果并迭代优化流程，最终在挑战赛中取得第一名。
2026-03-18 cs.AI
Emergent Crowds Dynamics from Language-Driven Multi-Agent Interactions
本文提出利用大语言模型结合对话系统与语言驱动导航控制人群智能体移动，使智能体根据感知和对话决策，从而在复杂场景中自然涌现分组等真实群体行为。
2025-08-20 cs.AI cs.GR
Episodic Multi-agent Reinforcement Learning with Curiosity-Driven Exploration
Tsinghua University（清华大学）；Nanjing University（南京大学）；University of Alberta（阿尔伯塔大学）；NetEase（网易）
深度协作多智能体强化学习（MARL）中的有效探索在复杂协调问题中仍然具有挑战性。在本文中，我们介绍了一种新的情节多智能体强化学习与好奇心驱动的探索，称为EMC。我们利用流行的因子分解MARL算法的洞察力，即“诱导”的个体Q值，即，用于本地执行的各个效用函数是本地动作观察历史的嵌入，并且可以捕获由于集中式训练期间的回报反向传播而引起的代理之间的交互。因此，我们使用个人Q值的预测误差作为协调探索的内在奖励，并利用情景记忆开发探索的信息经验，以促进政策培训。由于代理的个人Q-价值函数的动态捕捉状态的新颖性和来自其他代理的影响，我们的内在奖励可以诱导协调探索新的或有前途的状态。我们说明了我们的方法的优点，通过教学的例子，并证明其显着优于国家的最先进的MARL基线上具有挑战性的任务，在星际争霸II微观管理基准。
2021-11-22 cs.AI cs.LG
PhantomEnvironments: Training LLM Agents in Fictional Worlds
Cornell University（康奈尔大学）；Stanford University（斯坦福大学）
本文提出PhantomEnvironments，利用纯规则生成的虚构世界环境训练LLM搜索智能体，无需LLM参与生成且零成本，训练出的智能体可迁移至真实多跳搜索基准，并展现出随问题难度线性扩展的搜索预算能力。
2026-10-01 cs.AI cs.CL cs.LG
Improving Implicit Hate Speech Detection via a Community-Driven Multi-Agent Framework
Warsaw University of Technology（华沙技术大学）
本文提出一种社区驱动的多智能体框架，通过整合社会文化背景提升隐式仇恨言论检测的准确性和公平性。
2026-01-27 cs.AI cs.CL
CodeCRDT: Observation-Driven Coordination for Multi-Agent LLM Code Generation
本文提出CodeCRDT，一种基于CRDT观测驱动的多智能体协调模式，通过共享状态监控替代消息传递，实现无锁并发代码生成，实验显示最高21.1%加速、100%收敛，并揭示了语义冲突率与质量-性能权衡。
2025-10-18 cs.AI cs.DC cs.SE
Phantom Merge: When Your Large Language Model Agents Pick One but Tell You About Another
Florida State University（佛罗里达州立大学）；FAMU–FSU College of Engineering（佛罗里达农工大学-佛罗里达州立大学工程学院）
该研究针对大语言模型智能体的幻影合并问题，提出两阶段框架AGR与FAC，在购物数据集上实现高检测精度，大幅降低轨迹级幻影合并比例，验证了方法的有效性。
2026-10-14 cs.AI cs.CL
Moving beyond simulation: data-driven quantitative photoacoustic imaging using tissue-mimicking phantoms
Cancer Research UK Cambridge Institute（英国癌症研究院剑桥研究所）；University of Cambridge（剑桥大学）；University of Oxford（牛津大学）
针对光声成像吸收系数恢复中模拟与实验的域差距问题，提出用实验表征的成像体模数据集训练U-Net实现逐像素估计，验证了实验数据训练的准确性与鲁棒性，展现深度学习推进定量光声成像的潜力。
2023-06-11 cs.AI cs.LG eess.IV
A tale of perfect fit and phantom optima: how data-driven models can fail in real-time optimization
University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；Dow Chemical Company（陶氏化学公司）
该研究以醋酸乙烯酯单体工艺为对象，发现数据驱动的RTO模型虽拟合度高，但存在幻影最优解，训练优化器也会引入误差，故需经决策型基准验证方可用于工厂应用。
2026-08-26 cs.AI cs.SY eess.SY
YeasierAgent: Agentic Social Sandbox as a Canvas for Intent-Driven Creation of Platform-Agnostic Symbiotic Agent-Native Applications
Yeasier AI
提出YeasierAgent范式，通过平台无关的交互单元和空间多智能体协作，实现快速跨平台构建共生智能体原生应用，统一情感陪伴与工具执行。
2026-06-15 cs.AI cs.MA
Personality-Driven Decision-Making in LLM-Based Autonomous Agents
Lancaster University（兰卡斯特大学）
本研究提出一种新方法，测量和评估诱导的OCEAN个性特征如何影响基于LLM的智能体任务选择过程，揭示独特的任务选择模式，并证明设计高度可信的欺骗性智能体用于主动网络防御策略的可行性。
2025-04-01 cs.AI cs.MA
The Influence of Human-inspired Agentic Sophistication in LLM-driven Strategic Reasoners
Department of Computer Science, Royal Holloway University of London（皇家霍洛威大学计算机科学系）
本研究通过三种智能体设计在猜测游戏中与人类对比，发现人类启发的认知结构能提升LLM智能体与人类策略行为的一致性，但复杂度与人类相似度呈非线性关系。
2025-08-26 cs.AI cs.MA
Domain-driven Metrics for Reinforcement Learning: A Case Study on Epidemic Control using Agent-based Simulation
Engineering for Research (e4r)（工程研究（e4r））；Thoughtworks Technologies（Thoughtworks技术）
针对强化学习在基于智能体模型中缺乏标准化评估指标的问题，提出领域驱动指标，并通过疫情控制案例验证其结合传统指标评估策略优化的有效性。
2025-08-07 cs.AI cs.LG cs.MA
AI Control Scientist: LLM-driven Agentic System for Automated Control Design
本文提出首个LLM驱动的智能体系统AI控制科学家，通过任务建模、控制器设计、参数调优三个智能体自动生成优化控制器，性能优于现有基线，有望推动控制系统设计从人类驱动转向智能体驱动。
2026-08-28 cs.AI
BotVerse: Real-Time Event-Driven Simulation of Social Agents
Computer Science Dept., Sapienza University of Rome（罗马大学计算机科学系）
BotVerse通过LLM代理实现高保真社会模拟，提供安全实验环境用于红队测试和计算社会科学研究。
2026-03-31 cs.AI cs.MA cs.SI
Large Language Model-driven Multi-Agent Simulation for News Diffusion Under Different Network Structures
Northwestern University（西北大学）；Rutgers University（罗格斯大学）
本文提出一种由大语言模型驱动的多智能体仿真方法，研究不同网络结构下新闻传播与错误信息扩散机制，并评估阻断关键智能体和公布新闻准确性等对抗策略的效果。
2024-10-16 cs.AI cs.MA cs.SI
Weak-Driven Learning: How Weak Agents make Strong Agents Stronger
Beihang University（北航）；China Telecom eSurfing Cloud（中国电信eSurfing云）
针对大语言模型后训练中的饱和瓶颈，提出WMSS方法，利用模型历史弱检查点通过熵动力学识别可恢复学习差距并进行补偿学习，在数学推理和代码生成任务上实现有效性能提升且无额外推理成本。
2026-06-08 cs.AI
MAGNET: Towards Adaptive GUI Agents with Memory-Driven Knowledge Evolution
Fudan University（复旦大学）；Shanghai Innovation Institute（上海创新研究院）；University of Southern California（南加州大学）
MAGNET通过双层记忆机制和动态演化机制，提升GUI代理在界面变化中的适应性和任务执行性能。
2026-01-31 cs.AI
KoMA: Knowledge-driven Multi-agent Framework for Autonomous Driving with Large Language Models
Beihang University（北京航空航天大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
KoMA框架利用多智能体交互、多步规划、共享记忆和反思模块，增强LLM自动驾驶智能体在复杂场景中的决策与泛化能力。
2024-07-19 cs.AI
ARdena: Scenario-driven control of real-time LLM agents
Faculty of Applied Mathematics and Informatics, University of Osijek Croatia（奥西耶克大学应用数学与信息学院，克罗地亚）；Meet Intelligent Innovations LLC（Meet智能创新有限责任公司）
研究如何在实时交互环境中控制大语言模型智能体行为，提出分层场景驱动的LLM控制框架，通过结构化提示实现运行时行为控制，在ARDena中实现该框架并评估，结果显示场景驱动提示能有效控制LLM智能体。
2026-07-28 cs.AI
Automating Data-Driven Modeling and Analysis for Engineering Applications using Large Language Model Agents
Department of Nuclear Engineering, Texas A\&M University（核工程系，德克萨斯A&M大学）
针对传统数据驱动工程建模人工干预多的问题，提出利用LLM智能体的自动化建模流程，在CHF预测基准上达到人类专家开发的顶尖模型水平，可大幅减少人工工作量。
2025-10-01 cs.AI
Can Competition Enhance the Proficiency of Agents Powered by Large Language Models in the Realm of News-driven Time Series Forecasting?
Sun Yat-sen University（中山大学）
针对现有多智能体讨论框架对新闻驱动时间序列预测的创新思维与误导识别能力提升有限的问题，本研究嵌入竞争机制并在反思阶段融入微调小规模LLM模型，显著提升预测性能，还发现竞争强度影响智能体表现，为LLMs多智能体系统研究提供新视角。
2025-04-14 cs.AI
Know Your Agent: Reconnaissance-Driven Pentesting of AI Agents
研究针对人工智能智能体的渗透测试，提出通过形式化智能体侦察，在KYA框架中利用探测、构建配置文件等实现黑盒侦察驱动的渗透测试自动化，并进行评估与发布，以提升智能体安全性。
2026-09-16 cs.AI cs.CR cs.LG
A Multi-AI Agent System for Autonomous Optimization of Agentic AI Solutions via Iterative Refinement and LLM-Driven Feedback Loops
aiXplain Inc.（aiXplain公司）
本文提出一种多智能体系统，通过LLM驱动的迭代反馈循环自主优化Agentic AI解决方案，无需人工干预即可提升系统配置的输出质量与可扩展性。
2024-12-22 cs.AI cs.CL cs.ET
Demand-Driven Context: A Methodology for Building Enterprise Knowledge Bases Through Agent Failure
本文提出需求驱动上下文方法，通过智能体失败信号来获取企业领域知识，解决传统知识工程方法的局限性，展示在零售订单履行中的应用案例。
2026-03-14 cs.AI
Black-Box Red Teaming of Agentic AI: A Taxonomy-Driven Framework for Automated Risk Discovery
Enkrypt AI
提出基于七域分类学的黑盒红队框架SAGE-RT，自动生成对抗场景并评估智能体系统，揭示治理、隐私及行为漏洞的高风险率。
2026-09-10 cs.AI
MedLA: A Logic-Driven Multi-Agent Framework for Complex Medical Reasoning with Large Language Models
MedLA是一种基于大语言模型的逻辑驱动多智能体框架，通过多轮图引导讨论实现透明推理和共识达成，有效提升复杂医学推理性能。
2026-03-03 cs.AI
Explainable Goal-Driven Agents and Robots -- A Comprehensive Review
University of Malaya（马来亚大学）；University of Hamburg（汉堡大学）
自主智能体和机器人的最新应用，如自动驾驶汽车、基于机器人的训练器、探索机器人和服务机器人，引起了人们对与当前一代人工智能（AI）系统相关的关键信任相关挑战的关注。基于连接主义深度学习神经网络方法的人工智能系统缺乏向他人解释其决策和行动的能力，尽管它们取得了巨大的成功。如果没有符号解释能力，它们就是黑盒，这使得它们的决策或操作不透明，从而难以在安全关键型应用程序中信任它们。最近关于人工智能系统可解释性的立场已经见证了可解释人工智能（XAI）的几种方法;然而，大多数研究都集中在应用于计算科学的数据驱动XAI系统上。针对日益普遍的目标驱动代理和机器人的研究仍然缺失。本文回顾了可解释的目标驱动的智能代理和机器人的方法，重点是解释和沟通代理感知功能（例如，感官和视觉）和认知推理（例如，信念，欲望，意图，计划和目标）与人类在循环中的技术。该评论强调了强调透明度，可理解性和持续学习可解释性的关键策略。最后，本文提出了可解释性的要求，并提出了可能实现有效的目标驱动的可解释的代理和机器人的路线图。
2022-09-23 cs.AI cs.RO
Amory: Building Coherent Narrative-Driven Agent Memory through Agentic Reasoning
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Amazon（亚马逊）
Amory通过增强代理推理构建连贯的叙事驱动记忆，提升长期对话代理的推理性能与响应效率。
2026-01-09 cs.AI cs.CL
Multiple Generative Models Ensemble for Knowledge-Driven Proactive Human-Computer Dialogue Agent
采用多序列到序列模型，借助数据增强技术和多种编解码器结构设计，建立了一个端到端的多轮主动对话生成代理.为了提高性能，开发了一种基于秩的集成方法。结果表明，平均而言，我们的单一模型在DuConv数据集上的F1评分和BLEU方面比基线有18.67%的明显改善。特别是，集成方法进一步显着优于基线35.85%。
2020-04-06 cs.AI cs.CL
Reflection-Driven Control for Trustworthy Code Agents
本文提出反射驱动控制方法，通过内部反思循环提升代码生成的安全性和合规性，实现自主、安全且可审计的AI代码代理。
2025-12-22 cs.AI cs.CR cs.SE
Hierarchical Needs-driven Agent Learning Systems: From Deep Reinforcement Learning To Diverse Strategies
The University of Georgia（佐治亚大学）
需求描述了一个系统生存和进化的必要性，它激发一个代理人朝着一个目标采取行动，为行为提供目的和方向。根据马斯洛需求层次理论，一个智能体需要在当前层次上满足一定数量的需求，作为下一阶段--升级和进化--出现的条件。特别是深度强化学习（Deep Reinforcement Learning，DAL）可以帮助人工智能智能体（如机器人）组织和优化其行为和策略，以根据其当前状态和需求（预期效用或奖励）制定不同的策略。本文介绍了新的层次需求驱动的学习系统的基础上DAL和研究的实施在单机器人与一种新的方法称为贝叶斯软演员批评（BSAC）。然后，我们将这一主题扩展到多智能体系统（MAS），讨论了潜在的研究领域和方向。
2023-02-25 cs.AI cs.LG cs.MA
SI-Agent: An Agentic Framework for Feedback-Driven Generation and Tuning of Human-Readable System Instructions for Large Language Models
University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Liverpool John Moores University（利物浦约翰·穆里斯大学）；Carnegie Mellon University（卡内基梅隆大学）
SI-Agent通过反馈驱动的代理框架自动生成和优化人类可读的系统指令，提升大型语言模型的可解释性和性能。
2025-07-03 cs.AI cs.LG
Characterizing LLM-driven Social Network: The Chirper.ai Case
Hong Kong University of Science and Technology（香港科技大学）
本文通过对比Chirper.ai和Mastodon的社会网络结构，分析LLM代理与人类用户在发帖行为、恶意内容及网络结构上的差异，为负责任的AI通信系统发展提供启示。
2026-04-19 cs.AI cs.SI
CLAG: Adaptive Memory Organization via Agent-Driven Clustering for Small Language Model Agents
Korea University（韩国大学）；Myongji University（明知大学）；AIGEN Sciences（AIGEN公司）
CLAG通过代理驱动聚类实现小型语言模型代理的自适应内存组织，通过语义聚类减少跨主题干扰并提升内存密度，实验表明其在问答任务中能提高回答质量和鲁棒性。
2026-04-20 cs.AI cs.CL
PocketAgents: A Manifest-Driven Library of Autonomous Defense Agents
Aeronautics Institute of Technology（航空技术研究所）
本文提出PocketAgents，一种基于manifest的自主防御代理库，通过定义代理的manifest、prompt和运行时上下文，实现了对大型语言模型驱动的防御系统进行可测量、可扩展和可追溯的防御。
2026-09-09 cs.AI cs.CR
How to Motivate Your Dragon: Teaching Goal-Driven Agents to Speak and Act in Fantasy Worlds
Georgia Institute of Technology（佐治亚理工学院）；Facebook AI Research（脸书人工智能研究院）
我们寻求创造代理人，既采取行动，并与其他代理人在追求一个目标。为此，我们扩展了LIGHT（Urbanek et al. 2019）-一个大规模的众包幻想文本游戏-带有任务数据集。这些包含自然语言动机，以及游戏中的目标和人类演示;完成任务可能需要对话或行动（或两者兼而有之）。我们引入了一个强化学习系统，该系统（1）结合了基于大规模语言建模和基于常识推理的预训练，以向智能体注入相关的先验知识;（2）利用动作命令和对话的因子化动作空间，在两者之间进行平衡。我们使用人类专家演示进行zero-shot评估，表明我们的代理能够始终如一地采取行动，并自然地谈论他们的动机。
2021-05-25 cs.AI cs.CL
AgenticCache: Cache-Driven Asynchronous Planning for Embodied AI Agents
Anonymous Institution, Anonymous City, Anonymous Region, Anonymous Country（匿名机构、匿名城市、匿名地区、匿名国家）
本文提出AgenticCache框架，利用缓存重用计划以减少LLM调用，提升任务成功率22%并降低延迟与成本。
2026-04-27 cs.AI cs.CL cs.LG
MechMath Agent Team: LLM Driven Agents for Mathematical Research
State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, CAS（中国科学院数学与系统科学研究院数学科学国家重点实验室）；School of Mathematical Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院）；School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学高等研究院）
针对数学研究给现有推理系统带来的挑战，提出机械数学智能体团队，设计三方架构，实例化三个专业智能体，闭环协作生成形式化认证的数学证明，经评估可在研究全周期辅助，有通用架构、系统实例及实证验证三大贡献。
2026-07-07 cs.AI cs.SC
Data Agents Under Attack: Vulnerabilities in LLM-Driven Analytical Systems
Nanyang Technological University, Singapore（南洋理工大学，新加坡）；The Hong Kong Polytechnic University（香港理工大学）；Tsinghua University（清华大学）
本研究系统分析了LLM驱动的数据代理的安全漏洞，提出了分层漏洞框架和攻击分类法，并在六个系统上评估了攻击效果，揭示了当前系统的重大安全缺陷。
2026-06-07 cs.AI cs.CR cs.DB
AwareCompiler: Agentic Context-Aware Compiler Optimization via a Synergistic Knowledge-Data Driven Framework
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；Hangzhou Institute for Advanced Study at UCAS（UCAS杭州高等研究 institute）；Nanyang Technological University（南洋理工大学）
针对编译器优化中语义错位、交互低效和奖励稀疏问题，提出AwareCompiler智能体框架，通过知识整合、自适应pass生成和混合训练，在标准基准上显著提升性能与效率。
2025-10-13 cs.AI cs.PL
Role-Based Agentic AI for Intent-Driven Network and Service Orchestration
Research & Commercialisation, BT Group（BT集团研究与商业化部）
提出一种基于角色的多智能体架构，通过分层代理系统实现从业务到网络的端到端意图编排，弥合BSS与OSS的鸿沟。
2026-06-23 cs.AI cs.NI
Introducing Consort: A Spec-First Agent Framework for Enforced, Test-Driven Development on Live Database Branches
Databricks（Databricks公司）
Consort是一个规格优先、测试驱动的智能体框架，通过确定性编排器和不可变测试等不可绕过的控制，在实时数据库分支上强制工程纪律，确保代码诚实可验证且可维护。
2026-09-10 cs.AI cs.DB cs.SE
PlanFitting: Personalized Exercise Planning with Large Language Model-driven Conversational Agent
University of Washington（华盛顿大学）；NAVER AI Lab（NAVER人工智能实验室）
本研究针对个性化运动计划制定成本高、难获取的问题，提出由大语言模型驱动的对话智能体PlanFitting，通过自由对话挖掘用户需求以生成符合运动指南的个性化周计划，经多维度评估验证其有效性，并探讨了未来设计方向。
2025-05-19 cs.AI cs.CL cs.HC
On the Suitability of LLM-Driven Agents for Dark Pattern Audits
University of Iowa（爱荷华大学）；University of California, Davis（加州大学戴维斯分校）
本文研究了LLM驱动代理在暗模式审计中的适用性，通过分析456个数据经纪人网站，评估了代理在识别和分类暗模式方面的性能及局限性。
2026-03-04 cs.AI cs.CL cs.CR
