Evaluating the Robustness of Deep Reinforcement Learning for Autonomous Policies in a Multi-agent Urban Driving Environment
Simula Research Laboratory（西姆拉研究实验室）
深度强化学习被积极用于在模拟驾驶环境中训练自动驾驶汽车策略。由于各种强化学习算法的大量可用性以及缺乏对不同驾驶场景的系统比较，我们不确定哪些算法在单智能体和多智能体驾驶环境中更有效地训练自动驾驶汽车软件。在基于视觉的自动驾驶中比较深度强化学习的基准框架将为训练更好的自动驾驶汽车策略提供可能性。为了应对这些挑战，我们提供了一个开放且可重用的基准测试框架，用于在单智能体和多智能体环境中对自动驾驶的深度强化学习算法进行系统评估和比较分析。使用该框架，我们进行了离散和连续动作空间深度强化学习算法的比较研究。我们还提出了一个综合的多目标奖励函数，用于评估基于深度强化学习的自动驾驶代理。我们在一个只有视觉的高保真城市驾驶模拟环境中进行实验。结果表明，只有一些深度强化学习算法在各种仅多智能体环境设置中训练时，在单智能体和多智能体场景中表现得更好。例如，基于A3C和TD3的自动驾驶汽车在单智能体和多智能体场景中的更稳健的动作和最小的驾驶错误方面表现相对更好。我们的结论是，不同的深度强化学习算法在不同的场景下表现出不同的驱动和测试性能，这强调了对其进行系统比较分析的必要性。本文提出的基准框架有利于这种比较。
2023-03-23 cs.AI cs.LG cs.MA
Dataforge: Agentic Platform for Autonomous Data Engineering
Arizona State University（亚利桑那州立大学）；Clemson University（克莱姆森大学）
Dataforge是一个基于大语言模型的自动数据工程平台，通过自动数据清理和迭代优化特征操作，提升表格数据的AI准备质量。
2026-02-16 cs.AI
Digital Identity for Agentic Systems: Toward a Portable Authorization Standard for Autonomous Agents
MIT（麻省理工学院）
本文针对自主代理在跨组织边界扩展时身份不足的问题，提出基于发行者授权负载、类型约束代数等的可携带授权模型，旨在实现授权的明确性、约束性与可审计性。
2026-05-12 cs.AI cs.CR cs.MA
Agentic AI for autonomous anomaly management in complex systems
Nottingham Trent University（诺丁汉特伦特大学）
本文研究智能体人工智能在复杂系统中自主检测与响应异常的能力，提出其可替代传统依赖人工的异常管理方法，实现异常管理的自动化与智能化。
2025-07-21 cs.AI cs.ET
A Research Agenda on Agents and Software Engineering: Outcomes from the Rio A2SE Seminar
University of Southern Denmark（丹麦南方大学）；Software Engineering Research Center, IIIT Hyderabad（IIIT海得拉巴软件工程研究中心）；Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）
本文基于智能体AI的兴起，探讨其对软件工程的影响，提出六个主题领域及短期和长期研究方向，为软件工程社区提供协调努力的结构化基础。
2026-05-12 cs.AI cs.MA cs.SE
Agent-Orchestration in Autonomous Chip Design
Nova Silicon（诺瓦硅公司）
该研究针对芯片设计领域，结合大型语言模型与工具使用智能体，提出将芯片设计超级智能建模为庞大AI组织的思路，探索适用于该复杂行业的AI类型。
2026-08-17 cs.AI
Autonomous Science Bench: Evaluating AI Agents for Autonomous Scientific Discovery
Northwestern University（西北大学）
本研究推出自主科学基准Autonomous Science Bench，含6项多学科预算实验流程，经试点评估发现不同智能体在发现与学习关卡存在差异化缺陷，为自主科学发现智能体提供更精准评估工具。
2026-10-14 cs.AI
Towards Agentic Cloud Engineering: Graph and Loop Engineering with a Zero-Trust Agent Harness
Tata Research Development and Design Centre（塔塔研究开发设计中心）
该研究提出Agentic Cloud Workflow Engineering框架，将自然语言智能体云工程任务转为验证后的代码仓库与云部署，划分三类工程关注点并在Google Cloud验证，为多类智能体云工程领域提供统一架构。
2026-10-19 cs.AI cs.LG cs.SE
Develop AI Agents for System Engineering in Factorio
Hippocratic AI（希波克拉底人工智能公司）
本文指出当前静态基准无法评估动态系统工程能力，倡导利用沙盒游戏 Factorio 训练和评估 AI 智能体，以培养其设计、维护和优化复杂工程项目的专门推理与长程规划能力。
2025-02-03 cs.AI
Adversarial Deep Reinforcement Learning for Improving the Robustness of Multi-agent Autonomous Driving Policies
Simula Research Laboratory（Simula研究实验室）
众所周知，自动驾驶汽车容易受到对抗攻击的攻击，这些攻击可能危及汽车的安全，并对其他道路使用者构成危险。为了有效地防御对手，不仅需要测试自动驾驶汽车以发现驾驶错误，还需要提高汽车对这些错误的鲁棒性。为此，在本文中，我们提出了一种自动驾驶汽车的两步方法，包括（i）通过训练对抗性驾驶代理来发现自动驾驶汽车的故障状态，以及（ii）通过使用有效的对抗性输入重新训练自动驾驶汽车来提高自动驾驶汽车的鲁棒性。我们的方法支持在多智能体环境中测试自动驾驶汽车，在那里我们训练并比较两个自定义奖励函数上的对抗性汽车策略，以测试自动驾驶汽车的驾驶控制决策。我们在基于视觉的高保真城市驾驶模拟环境中进行实验。我们的研究结果表明，对抗性测试可用于发现错误的自动驾驶行为，然后进行对抗性训练，以提高基于深度强化学习的自动驾驶策略的鲁棒性。我们证明，使用有效的对抗性输入重新训练的自动驾驶汽车在减少碰撞和越野转向错误方面显着提高了其驾驶策略的性能。
2023-02-21 cs.AI
Autonomous Self-Explanation of Behavior for Interactive Reinforcement Learning Agents
Keio University（庆应义塾大学）；Dwango Artificial Intelligence Laboratory（Dwango人工智能实验室）
在合作中，员工必须了解同事的行为。然而，一个代理的政策，这是嵌入在一个统计机器学习模型，是很难理解的，需要大量的时间和知识来理解。因此，人们很难预测机器学习机器人的行为，这使得人机合作具有挑战性。在本文中，我们提出了基于指令的行为解释（IBE），一种方法来解释一个自治代理的未来行为。在IBE中，Agent可以通过重用人类专家给出的指令来自主获取解释自己行为的表达式，以加速Agent策略的学习。IBE还使发展代理，其政策可能会改变合作期间，以解释自己的行为与足够的时间粒度。
2018-10-20 cs.AI
OpenClaw and Ollama in Agentic AI: Toward Fully Autonomous and Scalable AI Agent Systems
University of the Peloponnese（伯罗奔尼撒大学）；Cornell University（康奈尔大学）
该研究提出智能体AI的分层架构，分析OpenClaw与Ollama组成的全栈系统，验证系统集成可提升智能体能力，指出相关挑战并提供路线图，所有资源公开以支持研究。
2026-08-03 cs.AI
Kernel Based Cognitive Architecture for Autonomous Agents
现代认知架构的主要问题之一是过度的图式化方法来建模认知活动的过程。它不允许创建一个通用的架构，将能够复制心理功能，而不使用预先确定的感知模式。本文认为，进化的方法来创建一个认知功能。我们的方法的基础是使用的功能内核，始终产生的自主智能体的智能功能。我们考虑的认知架构，确保符号涌现问题的解决方案的基础上，代理的演变。在建构主义理论的基础上描述了智能体认知能力的演化。
2022-07-02 cs.AI
Improving Agent Behaviors with RL Fine-tuning for Autonomous Driving
UCLA（加州大学洛杉矶分校）；Waymo（Waymo公司）
本研究通过强化学习闭环微调行为模型，解决了监督学习模型在自动驾驶测试时的分布偏移问题，提升了智能体行为可靠性，并在Waymo挑战赛和新提出的策略评估基准上验证了有效性。
2024-09-26 cs.AI
Exploring Autonomous Agentic Data Engineering for Model Specialization
Zhejiang University（浙江大学）；Platform and Content Group, Tencent（腾讯平台与内容部）
本文提出自主智能体数据工程任务，让LLM作为自主数据工程师，通过端到端数据策划驱动模型专业化，实验显示GPT-5.2通过迭代数据适应使学生模型性能提升57.29%。
2026-09-01 cs.AI cs.CL cs.IR
MCP-Enabled Agentic AI for Autonomous IPoDWDM Network Lifecycle Automation
Adtran Networks SE（阿特兰网络公司）
研究自主控制供应商无关的IPoDWDM网络，采用启用MCP的智能AI架构，利用GNPy和遥测技术实现自动化与闭环控制并经测试验证。
2026-07-08 cs.AI cs.MA cs.NI
Automotive Engineering-Centric Agentic AI Workflow Framework
本文提出Agentic Engineering Intelligence (AEI)框架，通过建模工程工作流为约束性序列决策过程，将设计优化、模拟诊断等任务整合为统一流程，展示如何在汽车工程中实现多样化工作流的统一表达。
2026-04-09 cs.AI cs.MA cs.SY
Graph, Loop, and Harness Engineering for Zero-Trust Agentic Data Engineering and Analytical Processing
Tata Research Development and Design Centre（塔塔研发与设计中心）
针对云数据工程与分析中智能体协调可靠性问题，提出两个零信任框架，通过图、循环和智能体框架工程实现证据门控、有界恢复与零信任执行，实验验证了完成、恢复、授权及OLAP执行等指标。
2026-09-25 cs.AI cs.LG
SemaClaw: A Step Towards General-Purpose Personal AI Agents through Harness Engineering
Midea AIRC（美的AIRC）
SemaClaw通过Harness工程推动个人AI代理发展，提出DAG-based两阶段混合代理团队编排方法、PermissionBridge行为安全系统、三级上下文管理架构和代理维基技能，提升AI代理的可控性与可扩展性。
2026-04-13 cs.AI
Active Learning for Autonomous Intelligent Agents: Exploration, Curiosity, and Interaction
Inria Bordeaux Sud-Ouest（法国国家信息与自动化研究所波尔多西南分部）；University of Zaragoza（萨拉戈萨大学）
在这项调查中，我们提出了不同的方法，允许智能代理自主探索其环境，收集信息和学习多个任务。不同的社区提出了不同的解决办法，在许多情况下，这些办法是相似和/或互补的。这些解决方案包括主动学习、探索/利用、在线学习和社会学习。所有这些方法的共同点是，它是代理选择和决定下一步收集什么信息。这些方法的应用已经包括辅导系统，自主抓取学习，导航和地图以及人机交互。我们讨论这些方法是如何相关的，解释他们的相似之处和他们的差异方面的问题假设和成功的指标。我们认为，这种综合讨论将改善跨学科的研究和应用。
2014-03-06 cs.AI
Nested Reasoning About Autonomous Agents Using Probabilistic Programs
Northeastern University（东北大学）；Brigham Young University（杨百翰大学）
随着自主智能体变得越来越普遍，它们最终将不得不对其他智能体的计划进行推理，这被称为心理理论推理。我们开发了一个规划推理框架，在该框架中，代理执行嵌套模拟，以在线方式推理其他代理的行为。作为这个框架的一个具体应用，我们使用概率程序来模拟一个高不确定性的追求-逃避游戏的变种，其中一个代理必须对其他代理的计划进行推断，以制定反计划。我们的概率程序结合了各种复杂的原语，如视野计算和路径规划，这使我们能够模拟准现实的情况下，在计算上听话的方式。我们进行了广泛的实验评估，建立了各种合理的行为，并量化如何分配计算嵌套的层次影响我们的估计方差。
2020-03-04 cs.AI
Fully Autonomous AI Agents Should Not be Developed
本文通过划分 AI 智能体层级并分析各层级的伦理价值、收益与风险，指出自主性越高、用户让渡控制权越多，人身安全等风险越大，因而主张不应开发完全自主 AI 智能体。
2025-10-20 cs.AI
Agent Economics: An Entropy-Controlled Pluralistic Alignment Framework for Preventing Artificial Hivemind in Autonomous Agents
AX Center, SAMSUNG SDS（三星SDS AX中心）
提出行为协议框架(BPF)，通过心智化社会智能、多元对齐和可验证执行内核三个模块，在闭环架构中控制熵以保持策略多样性，提升自主智能体经济的稳定性、效率和可信度。
2026-06-16 cs.AI
A Study on the MCP x A2A Framework for Enhancing Interoperability of LLM-based Autonomous Agents
SAMSUNG SDS（三星SDS）
针对基于大语言模型的自主智能体交互与集成难题，本研究整合分析谷歌A2A协议与Anthropic的MCP协议，探索二者互补解决互操作性问题、支撑复杂智能体生态高效协作的路径。
2025-06-09 cs.AI
Autonomous Incident Resolution at Hyperscale: An Agentic AI Architecture for Network Operations
Arun Malik
提出一种多智能体编排框架，通过分层分解、技能调用、知识编码和渐进自主，在超大规模云网络中实现90%以上常见事件的自主解决，并保障安全。
2026-06-08 cs.AI cs.ET cs.MA
Failure-Scenario Maker for Rule-Based Agent using Multi-agent Adversarial Reinforcement Learning and its Application to Autonomous Driving
IBM Research AI（IBM研究AI）
我们研究的问题，对抗性强化学习的多代理域，包括基于规则的代理。基于规则的算法在安全关键型应用中是必需的，以便它们在各种情况下都能正常工作。因此，尽一切努力在开发阶段找到故障场景。然而，随着软件变得复杂，查找失败案例变得困难。特别是在多智能体领域，如自动驾驶环境，很难找到有用的故障场景，帮助我们改进算法。我们提出了一种方法，有效地找到失败的情况下，这种方法使用多智能体强化学习训练的对抗代理，这样测试的基于规则的代理失败。我们使用一个简单的环境和自动驾驶模拟器证明了我们所提出的方法的有效性。
2019-05-25 cs.AI cs.LG cs.RO
Quantitative Promise Theory: Intentionality and Inference in Autonomous Agents
ChiTek-i AS
本文提出将贝叶斯概率与信息论优化（包括主动推理）融入承诺语义，以解决概率计算中的非局部协调、校准和归一化问题，并利用边界条件作为承诺约束状态与决策阈值，实现可扩展的意图定义。
2026-06-07 cs.AI cs.MA cs.NE
SciFi: A Safe, Lightweight, User-Friendly, and Fully Autonomous Agentic AI Workflow for Scientific Applications
SLAC National Accelerator Laboratory（SLAC国家加速器实验室）
本文提出一种安全、轻量、用户友好的自主代理AI框架，通过隔离执行环境、三层代理循环和自我评估do-until机制，实现科学任务的可靠自动化，减少人工干预。
2026-04-14 cs.AI
Supervising Ralph Wiggum: Exploring a Metacognitive Co-Regulation Agentic AI Loop for Engineering Design
Department of Mechanical Engineering（机械工程系）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种自我调节循环和共调节设计智能体循环，通过元认知共调节缓解设计固定问题，提升工程设计性能。
2026-05-07 cs.AI
Towards Autonomous Agents: Adaptive-planning, Reasoning, and Acting in Language Models
University of Connecticut（康涅狄格大学）
提出一种基于上下文学习的自适应规划算法，使语言智能体通过自我纠正反复尝试任务，在文本游戏中成功完成六项任务中的两项，增强了单模型的问题解决能力。
2024-11-04 cs.AI cs.CL
Agentic Problem Frames: A Systematic Approach to Engineering Reliable Domain Agents
Institute of Engineering Research（工程研究所）；Seoul National University（首尔国立大学）
本研究提出代理问题框架（APF），通过系统化工程方法提升领域代理的可靠性，结合AJD规范工具和AVR循环实现任务要求的渐近收敛。
2026-02-22 cs.AI
Multi-Agent Connected Autonomous Driving using Deep Reinforcement Learning
Microsoft AI + R（微软人工智能与研发部）
学习和适应驾驶环境变化的能力对于开发可扩展到地理围栏操作设计领域之外的自动驾驶系统至关重要。深度强化学习（RL）为开发基于自适应学习的解决方案提供了一个有前途的可扩展框架。深度强化学习方法通常将问题建模为（部分可观察的）马尔可夫决策过程，其中代理在静态环境中行动以学习最佳行为策略。然而，驾驶涉及在高度不稳定的环境中多个智能（人工或人类）代理之间的复杂交互。在本文中，我们提出使用部分可观察马尔可夫博弈（POSG）来制定具有现实假设的连接自动驾驶问题。我们提供了一个分类的多智能体学习环境的任务的性质，代理的性质和环境的性质的基础上，以帮助分类的各种自动驾驶问题，可以根据建议的制定。作为我们的主要贡献，我们提供了MACAD-Gym，一个多智能体连接的自主驾驶智能体学习平台，用于进一步研究这一方向。我们的MACAD-Gym平台提供了一套可扩展的互联自动驾驶（CAD）仿真环境，可在逼真的多智能体设置下，为具有无限操作设计域的CAD系统研究和开发基于深度RL的集成传感、感知、规划和控制算法。我们还分享了使用MACAD-Gym平台成功训练的MACAD-Agents，以在部分可观察的，停车标志控制的，3路城市交叉口环境中学习多个车辆代理的控制策略，并使用原始（摄像头）传感器观察。
2019-11-11 cs.AI cs.LG cs.MA
Regulating autonomous and agentic AI
研究规范自主和智能代理人工智能活动的挑战，通过分析英国内容平台监管等四种监管系统，提出潜在解决方案，助力将监管从被动转为主动，以适应人工智能自主性挑战。
2026-07-24 cs.AI
Autonomous Agents Coordination: Action Languages meet CLP(FD) and Linda
Università di Udine（乌迪内大学）；Università di Perugia（佩鲁贾大学）；New Mexico State University（新墨西哥州立大学）
本文提出了一种知识表示形式主义，在一个高层次的行动描述语言的形式多智能体系统，其中自主智能体的原因和行动在一个共享的环境。智能体自主追求个人目标，但能够通过共享知识库进行交互。在他们的互动，通过共享部分的世界，代理处理问题的同步和并发性;行动语言允许描述的战略，以确保一致的全球执行代理的自主派生计划。一个分布式规划问题的形式化，通过提供声明性规范的问题的一部分，有关一个单一的代理。这些规范中的每一个都可以由独立的基于CLP的规划器执行。代理之间的协调利用了Linda基础设施。在SICStus Prolog中开发的原型实现中验证了该建议。出现在逻辑编程理论与实践（TPLP）中。
2011-10-04 cs.AI cs.LO cs.PL
Bio AI Agent: A Multi-Agent Artificial Intelligence System for Autonomous CAR-T Cell Therapy Development with Integrated Target Discovery, Toxicity Prediction, and Rational Molecular Design
Bio LIMS INC（Bio LIMS公司）
针对CAR-T疗法开发周期长、临床损耗率高的问题，提出多智能体系统Bio AI Agent，通过六个专业智能体协作自主完成靶点选择、毒性预测等CAR-T开发全流程，回顾性验证效果显著，可加速免疫疗法转化。
2025-11-11 cs.AI q-bio.QM
LLM-Based Agentic Systems for Software Engineering: Challenges and Opportunities
Siemens AG（西门子股份公司）；Technical University of Munich（慕尼黑技术大学）
本文探讨了基于大语言模型的多代理系统在软件工程中的应用，分析了其挑战与未来研究方向。
2026-01-19 cs.AI cs.SE
Exploring Autonomous Agents: A Closer Look at Why They Fail When Completing Tasks
Singapore Management University（新加坡国立管理大学）
本文通过构建34个可编程任务基准并评估三种开源智能体框架与两种LLM组合，系统分析自主智能体约50%任务完成率背后的失败原因，提出三层失败分类体系及改进建议，为提升智能体规划与自我诊断能力提供实证基础。
2025-08-18 cs.AI cs.SE
Formal Verification of Autonomous Vehicle Platooning
University of Sheffield（谢菲尔德大学）
预计在不久的将来，我们的高速公路上将有多辆自动驾驶汽车组成车队或车队。然而，在部署这样的车队之前，必须对这些车队中车辆的新自主行为进行认证。车辆排队的一个适当的表示是作为一个多智能体系统，其中每个代理捕获的“自主决策”进行的每辆车。为了保证车辆队列中的自主决策智能体不违反安全要求，我们使用了形式化验证。然而，由于用于验证代理代码的形式化验证技术不能扩展到整个系统，并且由于全局验证技术不能捕获自治行为的基本验证，因此我们使用两种方法的组合。这种混合策略使我们不仅可以验证系统模型的安全要求，还可以验证用于对自动驾驶汽车进行编程的实际代理代码的安全要求。
2016-02-04 cs.AI cs.SE
The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development?
Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室）；University of Chinese Academy of Sciences（中国科学院大学）；Ant Group（蚂蚁集团）
提出元智能体挑战（MAC）框架，评估前沿模型自主开发智能体系统的能力，发现多数元智能体难以匹敌人类设计的基线策略，且存在鲁棒性和对齐问题。
2026-06-03 cs.AI cs.CL
Challenges and Future Directions in Agentic Reverse Engineering Systems
本文探讨了基于大语言模型的代理系统在二进制反工程中的表现，分析了静态、动态和混合代理的局限性，指出token限制、反编译困难和缺乏程序防护等挑战，并提出未来发展方向。
2026-04-15 cs.AI cs.CR
Unified Mind Model: Reimagining Autonomous Agents in the LLM Era
本文提出统一心智模型（UMM）理论认知架构，结合全局工作空间理论和LLMs赋予智能体多模态感知、规划等认知能力，并基于此开发MindOS引擎，支持用户无编程快速创建自主智能体。
2025-03-06 cs.AI cs.CL
AgentWard: A Lifecycle Security Architecture for Autonomous AI Agents
本文提出AgentWard架构，通过跨层协调实现对自主AI代理五个阶段的安全防护，展示了一个原型实现，为运行时安全控制提供了具体蓝图。
2026-04-27 cs.AI cs.CR
Legal Responsibilities Using Autonomous Agents For Artificial Intelligence
ChiTek-i AS
该研究针对AI智能体脱离管控引发的法律责任问题，采用承诺理论的下游原则提出系统性解决方法，可将责任扩展至AI智能体，并通过政策限制其行动自由。
2026-08-11 cs.AI cs.CY
Uncertainty Quantification for Competency Assessment of Autonomous Agents
University of Colorado Boulder（科罗拉多大学博尔德分校）；The Charles Stark Draper Laboratory, Inc.（查尔斯·斯塔克·德雷珀实验室公司）
为了在现实世界中安全可靠地部署，自主智能体必须从人类用户那里获得适当程度的信任。建立信任的一种方法是让代理人评估并传达他们自己执行给定任务的能力。能力取决于影响代理的不确定性，因此准确的不确定性量化对于能力评估至关重要。在这项工作中，我们展示了如何集成的深度生成模型可以用来量化代理的任意性和认知的不确定性时，预测任务的结果作为能力评估的一部分。
2022-06-21 cs.AI cs.LG cs.RO
Generative AI Agents in Autonomous Machines: A Safety Perspective
Harvard University（哈佛大学）
本文从安全视角研究生成式AI智能体集成到自主机器中的安全要求与挑战，并提出开发和实施全面安全记分卡以保障其安全部署。
2024-10-20 cs.AI cs.LG cs.RO
Criticality-Based Guard Rail Validation for AI Agent Decisions in Autonomous Telecom Networks
提出Guard Rail Validation框架，通过多维度评估决策关键性并应用分级验证机制，确保AI代理在自主电信网络中的安全执行。
2026-07-03 cs.AI cs.NI
Investigating Detection and Obfuscation of Prompt Injection Attacks Against Software Reverse Engineering AI Agents
Dept. of Computer Science（计算机科学系）；Naval Postgraduate School（海军学院）
本研究针对软件逆向工程AI代理面临的提示注入攻击，提出了检测反编译器输出中提示注入字符串的防御策略，并探索了攻击混淆及相应防御方法。
2026-05-29 cs.AI cs.CR cs.SE
Agentic AI for Software: thoughts from Software Engineering community
NUS（国立新加坡大学）；SonarSource SA
针对AI智能体在软件工程领域的应用，分析其在代码及设计层面任务中的作用，指出解读开发者意图是核心难题，提出需通过智能体推进意图推断，并认为未来工作流应包含AI生成代码的验证与确认。
2025-09-22 cs.AI cs.SE
RecEvolve: A Knowledge-Driven Autonomous Agent System for Recommender Systems
Google（谷歌公司）
该研究提出RecEvolve知识驱动型自主智能体系统，用于优化双塔推荐模型，实现NDCG提升约20%、用户满意度提升3.77%，同时发现评估协议漏洞及新挑战。
2026-09-03 cs.AI cs.IR cs.LG
Secure Autonomous Agent Payments: Verifying Authenticity and Intent in a Trustless Environment
Vivek Acharya（独立研究者）
本文提出基于区块链的框架，通过密码学认证和零知识证明，实现自主代理支付中的意图验证和身份认证，确保交易安全性和可追溯性。
2025-11-08 cs.AI cs.CR cs.DC
Self Training Autonomous Driving Agent
本质上，驾驶是一个马尔可夫决策过程，非常适合强化学习范式。在本文中，我们提出了一种新的智能体，它可以在没有任何人类帮助的情况下学习驾驶车辆。我们使用强化学习和进化策略的概念，在二维仿真环境中训练我们的代理。通过在自动编码器中引入差分图像，我们的模型的架构超越了世界模型。在自动编码器中的这种差异图像的新颖参与给出了关于车辆运动的潜在空间的更好表示，并且帮助自主智能体更有效地学习如何驾驶车辆。结果表明，我们的方法需要更少的（96%）总代理，（87.5%）代理每代，（70%）代和（90%）推出比原来的架构，同时达到相同的准确性。
2019-04-26 cs.AI cs.CV cs.NE
Designing a Safe Autonomous Artificial Intelligence Agent based on Human Self-Regulation
University at Albany（奥尔巴尼大学）
本文提出通过研究人类自我调节机制，设计安全的人工智能代理，以避免复杂系统中因目标不明确导致的有害后果。
2017-01-05 cs.AI cs.SY eess.SY
DUCTILE: Agentic LLM Orchestration of Engineering Analysis in Product Development Practice
Product Development Division, Department of Mechanical Engineering, Chalmers University of Technology, Gothenburg, Sweden（产品开发部门，机械工程系，楚姆勒斯技术大学，哥德堡，瑞典）；GKN Aerospace Engine Systems, Trollhättan, Sweden（GKN航空发动机系统，特罗尔哈塔纳，瑞典）
DUCTILE通过代理LLM协调工程分析任务，分离自适应协调与确定性执行，解决工具接口变化导致的自动化失效问题，验证了其在航空制造中的有效性。
2026-03-17 cs.AI cs.HC cs.SE
Competency Assessment for Autonomous Agents using Deep Generative Models
University of Colorado Boulder（科罗拉多大学博尔德分校）；The Charles Stark Draper Laboratory, Inc.（查尔斯·斯塔克·德雷珀实验室公司）
对于自主智能体来说，作为人类用户值得信赖的合作伙伴，它们必须能够可靠地传达它们被要求执行的任务的能力。为了实现这一目标，我们开发了基于深度生成建模的概率世界模型，该模型允许模拟代理轨迹和精确计算任务结果概率。通过将条件变分自编码器的优势与递归神经网络相结合，深度生成世界模型可以概率地预测长期任务完成的轨迹。我们展示了这些预测的轨迹如何用于计算结果概率分布，从而能够精确评估特定任务和初始设置的代理能力。
2022-03-23 cs.AI cs.HC cs.LG
