Requesting Expert Reasoning: Augmenting LLM Agents with Learned Collaborative Intervention
State Key Laboratory of VR Technology and Systems, School of CSE, Beihang University(虚拟现实技术与系统国家重点实验室,计算机科学与工程学院,北京航空航天大学)
通过学习协作干预框架,提升LLM代理在需要专家推理任务中的表现,显著提高任务成功率。
2026-02-26 cs.AI
GeoSkill:Experience-Driven Hierarchical Skill Learning with Collaborative Revision forGeospatialAgents
Wuhan University(武汉大学)
GeoSkill提出经验驱动分层技能学习框架,通过分层技能库和协同轨迹驱动修订机制,将历史执行经验转化为可重用技能,提升地理空间智能体的任务准确性与工具可靠性。
2026-10-14 cs.AI
Combating Knowledge Corruption in Agent Systems: A Byzantine-Tolerant Secure Collaborative RAG Framework
Beijing Institute of Technology(北京理工大学)
针对RAG系统面临的知识篡改攻击问题,提出拜占庭容错的安全协同RAG框架SecureCollaRAG,通过多源知识验证机制与动态GNN可信度评分实现攻击防护,在非IID数据下保持鲁棒性。
2026-08-06 cs.AI cs.CR
Do LLMs Understand Collaborative Signals? Diagnosis and Repair
Google(谷歌)
本文研究大语言模型在推荐任务中处理协作信息的能力,通过检索增强生成方法提升其推理性能,实验表明在提供清晰信息时LLM优于传统矩阵分解模型。
2026-03-22 cs.AI cs.CL cs.IR
Reinforcement Learning-Augmented LLM Agents for Collaborative Decision Making and Performance Optimization
New England College(新英格兰学院);Northeastern University(东北大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本研究提出强化学习增强的LLM代理框架,通过GRPO和联合奖励优化,提升多智能体协作任务的效率与一致性。
2025-12-31 cs.AI
CARTS: Collaborative Agents for Recommendation Textual Summarization
本文提出CARTS多智能体大语言模型框架,通过生成增强生成、精炼循环和仲裁三阶段协作生成推荐系统商品标题,实验表明其显著优于单次生成和思维链基线,提升了标题相关性与用户参与度。
2025-07-01 cs.AI cs.IR
Micro-Collaborative Poisoning: A Distributed Attack on RAG Systems
GECAD;ISEP;Polytechnic of Porto(波尔图理工学院)
本文提出微协作投毒,一种将虚假主张分散到多个文档的分布式RAG攻击,实验表明其依赖弱信号累积而非单一段落,且难以通过文档检查发现。
2026-09-21 cs.AI cs.CR
DGRAG: Distributed Graph-based Retrieval-Augmented Generation in Edge-Cloud Systems
Zhejiang University(浙江大学)
DGRAG是一种面向边缘-云计算系统的分布式图驱动检索增强生成框架,通过边缘设备本地知识图和云端轻量级索引实现隐私保护和高效检索。
2026-01-28 cs.AI cs.DC
CoCoA: Collaborative Chain-of-Agents for Parametric-Retrieved Knowledge Synergy
Harbin Institute of Technology(哈尔滨工业大学);China Mobile Group Heilongjiang Co.,Ltd(中国移动集团黑龙江公司)
本文提出CoCoA框架,通过多智能体协作与长链训练策略,增强大模型在RAG中参数化知识与检索知识的显式协同,提升开放域和多跳问答性能。
2025-10-09 cs.AI cs.CL
R3-REC: Reasoning-Driven Recommendation via Retrieval-Augmented LLMs over Multi-Granular Interest Signals
Sydney Smart Technology College, Northeastern University, China(悉尼智能技术学院,东北大学,中国)
本文针对序列推荐中的证据不足和动态多维意图建模问题,提出R3-REC框架,通过多级用户意图推理、物品语义提取等模块提升推荐效果,实验显示在多个数据集上优于基线模型。
2026-03-14 cs.AI cs.IR
SCALE: Towards Collaborative Content Analysis in Social Science with Large Language Model Agents and Human Intervention
Arizona State University(亚利桑那州立大学);NC State University(北卡罗来纳州立大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
SCALE通过大语言模型代理和人工干预,实现了社会科学中复杂内容分析的高效模拟与提升。
2025-07-06 cs.AI cs.CL cs.MA
Multi-Agent Collaborative Reasoning with Tool-Augmented Evidence for Urban Region Profiling
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Washington(华盛顿大学);Chang’an University(长安大学);University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
研究针对城市区域剖析问题,提出UrbanAgent框架,通过多智能体协作推理解决跨模态不一致,将指标预测扩展为闭环过程,经实验验证其性能优于现有基线,在未见城市设置中有强泛化性。
2026-07-16 cs.AI
AI-Augmented Brainwriting: Investigating the use of LLMs in group ideation
Wellesley College(韦尔斯利学院);University of Haifa(海法大学);University of New Hampshire(新罕布什尔大学)
本文提出群体-AI Brainwriting框架并设计LLM评估引擎,实验表明LLM可增强群体创意的发散生成、收敛评估及最终成果。
2024-02-29 cs.AI cs.CY cs.HC
ClusterRAG: Cluster-Based Collaborative Filtering for Personalized Retrieval-Augmented Generation
University of Arkansas(阿肯色大学);Walmart Inc.(沃尔玛公司)
ClusterRAG通过聚类用户轮廓文档,利用相似用户的协同信号提升当前用户的个性化生成性能,通过在集群和文档层面进行检索,实现了高效的个性化检索增强生成。
2026-04-14 cs.AI cs.CL cs.IR
RTTC: Reward-Guided Collaborative Test-Time Compute
Intel Labs Santa Clara, CA, USA(英特尔圣克拉拉实验室);Intel Corporation Beijing, China(英特尔北京公司)
本文提出RTTC框架,通过预训练奖励模型为每个查询自适应选择最优测试时计算策略,并结合分布式架构与查询状态缓存减少冗余计算,在多模型和基准上显著提升了准确率与效率。
2025-08-07 cs.AI cs.CL cs.IR
C-3PO: Compact Plug-and-Play Proxy Optimization to Achieve Human-like Retrieval-Augmented Generation
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学人工智能学院);Tongyi Lab(通义实验室);Soochow University(苏州大学);University of Oxford(牛津大学);Tsinghua University(清华大学)
针对RAG系统中检索器与LLM对齐难题,提出C-3PO框架,通过轻量级多代理系统协作优化检索流程,无需修改组件,显著提升性能并保持即插即用与泛化能力。
2025-05-22 cs.AI cs.CL cs.LG
Diffusion-augmented Graph Contrastive Learning for Collaborative Filter
School of Data Science and Engineering, East China Normal University(华东师范大学数据科学与工程学院)
针对现有图对比学习协同过滤方法数据增强策略存在的缺陷,提出融合扩散模型的DGCL框架,生成适配节点特性的多样化对比视图,在三个公开数据集上验证了有效性。
2025-03-20 cs.AI cs.IR
MemRec: Collaborative Memory-Augmented Agentic Recommender System
Hong Kong Baptist University(香港 Baptist大学);Rutgers University(罗格斯大学);Snap Inc.(Snap公司)
MemRec通过引入协同记忆机制,解决传统推荐系统中记忆隔离导致的上下文过载问题,通过轻量级语言模型管理动态记忆图谱,提升推荐精度与效率。
2026-04-28 cs.AI cs.IR
A Collaborative Multi-Agent Approach to Retrieval-Augmented Generation Across Diverse Data
iASYS Technology Solutions Pvt. Ltd.(iASYS技术解决方案私人有限公司);SVPM’s College of Engineering(SVPM工程学院);School of Data and Sciences(数据科学学院);Brac University(拉克斯大学)
针对传统单智能体RAG处理异构数据源效率低、准确率差的问题,提出多智能体协作RAG系统,各智能体适配不同数据源并在模块化框架协作,提升查询效率与响应准确率,适配复杂异构数据场景。
2024-12-08 cs.AI
Collaborative Reflection-Augmented Autoencoder Network for Recommender Systems
South China University of Technology(华南理工大学);University of Hong Kong(香港大学);Australian National University(澳大利亚国立大学)
随着深度学习技术已经扩展到现实世界的推荐任务,已经开发了许多基于深度神经网络的协同过滤(CF)模型,以基于各种神经架构(例如多层感知器、自动编码器和图神经网络)将用户-项目交互投影到潜在特征空间中。然而,大多数现有的协同过滤系统没有很好地设计来处理丢失的数据。特别是,为了在训练阶段注入负信号,这些解决方案在很大程度上依赖于从未观察到的用户-项目交互的负采样,并简单地将其视为负实例,这带来了推荐性能的下降。为了解决这些问题,我们开发了一个协作反射增强自动编码器网络(CRANet),它能够从观察到的和未观察到的用户-项目交互中探索可转移的知识。CRANet的网络架构是由一个反射受体网络和一个信息融合自动编码器模块组成的综合结构,它赋予了我们的推荐框架对交互和非交互项目的隐式用户成对偏好进行编码的能力。此外,基于参数正则化的捆绑权重方案被设计用于执行两阶段CRANet模型的鲁棒联合训练。最后,我们实验验证CRANet上的四个不同的基准数据集对应的两个推荐任务,去偏置的用户项目交互的负面信号,提高了性能相比,各种国家的最先进的推荐技术。我们的源代码可以在https://github.com/akaxlh/CRANet上找到。
2022-01-10 cs.AI cs.IR cs.LG
A Memory-Augmented Multi-Task Collaborative Framework for Unsupervised Traffic Accident Detection in Driving Videos
Shenzhen University(深圳大学);University of Macau(澳门大学)
提出记忆增强多任务协作框架MAMTCF,通过光流重建与未来物体定位任务协作同时建模外观变化和物体运动,并引入记忆增强机制,提升驾驶视频中无监督交通事故检测性能。
2023-07-27 cs.AI cs.CV
MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning
Dartmouth College(达特茅斯学院)
MA-RAG通过协调Planner、Step Definer、Extractor和QA等专用智能体进行协作思维链推理,将复杂QA任务分解为子任务逐步优化检索与合成,在多基准上超越现有RAG方法,确立了高效可靠的多智能体RAG新范式。
2025-10-11 cs.AI cs.CL
AISSISTANT: Human-AI Collaborative Review and Perspective Research Workflows in Data Science
TIB Leibniz Information Centre for Science and Technology(图灵信息科学与技术研究所);L3S Research Center(L3S研究中心)
AIssistant通过人机协作框架提升数据科学科研与视角研究的效率和质量。
2026-03-01 cs.AI cs.LG
MRAFnd: Multimodal Retrieval-Augmented Framework for Zero-Shot Fake News Detection
Beijing Institute of Fashion Technology(北京服装学院);Shenyang University of Technology(沈阳工业大学)
针对零样本假新闻检测的现有方法无法识别重复虚假手段与跨模态差异的问题,本文提出多模态检索增强框架MRAFnd,经多智能体协作推理,在Weibo-21等数据集上准确率最高提升2.35%,优于现有方法。
2026-08-04 cs.AI
HyFedRAG: A Federated Retrieval-Augmented Generation Framework for Heterogeneous and Privacy-Sensitive Data
针对集中式RAG在异构隐私数据上的不足,提出基于边缘-云协作的联邦RAG框架HyFedRAG,集成轻量检索与匿名化工具,并设计三层缓存,在PMC-Patients上提升检索质量、生成一致性与效率。
2025-09-08 cs.AI
ThinkTank: A Framework for Generalizing Domain-Specific AI Agent Systems into Universal Collaborative Intelligence Platforms
Texas A&M University(德克萨斯A&M大学);Texas A&M Institute of Data Science(德克萨斯A&M数据科学研究所)
本文提出ThinkTank框架,通过角色抽象、会议类型泛化及检索增强生成与知识存储集成,将专用AI智能体系统泛化为支持跨领域复杂问题求解的通用协作智能平台,并兼顾本地部署的数据安全与成本优势。
2025-06-03 cs.AI cs.LG cs.MA
Shaping the Narrative Arc: An Information-Theoretic Approach to Collaborative Dialogue
University of Alberta(阿尔伯塔大学);Google Brain(谷歌大脑);Google Translate(谷歌翻译)
我们考虑的问题,设计一个人工智能体能够与人类互动的协作对话,以产生创造性的,引人入胜的叙述。在这个任务中,目标是建立宇宙细节,并通过一系列自然对话交流,在该宇宙中合作一个有趣的故事。我们的模型可以增强任何概率会话代理,允许它推理建立的宇宙信息和潜在的下一个话语可能会揭示。理想情况下,对于每一次发言,代理人都会透露足够的信息来增加特异性并减少歧义,而不会限制对话。我们的经验表明,我们的模型允许控制代理揭示信息的速率,这样做可以显着提高预测电影中下一行对话的准确性。我们关闭一个案例研究与四个专业的戏剧表演者,谁喜欢与我们的模型增强代理的非增强代理的互动。
2019-01-31 cs.AI cs.CL cs.HC
AgenticSciML: Collaborative Multi-Agent Systems for Emergent Discovery in Scientific Machine Learning
Brown University(布朗大学)
AgenticSciML通过协作多智能体系统实现科学机器学习中的涌现发现,生成超越单智能体和人类设计基线的高效方法。
2026-02-15 cs.AI cs.CE cs.LG
Collaborative Visual Navigation
Peking University(北京大学);SenseTime Research(商汤科技研究院);ETH Zurich(苏黎世联邦理工学院)
多智能体系统(MAS)作为人工智能的一个基本问题,在多智能体强化学习(MARL)技术的推动下,取得了飞速的发展。然而,以前的MARL方法主要集中在网格世界或游戏环境中,MAS在视觉丰富的环境中仍然很少探索。为了缩小这一差距,强调感知在MAS中的关键作用,我们提出了一个大规模的3D数据集,CollaVN,多智能体视觉导航(MAVN)。在CollaVN中,需要多个代理在逼真的环境中协作导航以到达目标位置。不同的MAVN变量进行了探索,使我们的问题更一般。此外,提出了一种内存增强的通信框架。每个代理都配备了一个私有的外部存储器,用于永久存储通信信息。这使代理能够更好地利用他们过去的通信信息,实现更有效的协作和强大的长期规划。在我们的实验中,设计了几个基线和评估指标。我们还实证验证了我们提出的MARL方法在不同的MAVN任务设置的有效性。
2021-07-20 cs.AI cs.CV cs.RO
ACF: A Collaborative Framework for Agent Covert Communication under Cognitive Asymmetry
School of Cyberspace Security, Beijing University of Posts and Telecommunications(北京邮电大学网络空间安全学院)
本文提出ACF框架,解决代理网络中因认知不对称导致的通信同步问题,通过解耦隐蔽通信与语义推理,实现无需认知对称的高效隐蔽通信。
2026-04-09 cs.AI cs.CR
Collaborative Policy Learning for Open Knowledge Graph Reasoning
Carnegie Mellon University(卡内基梅隆大学);University of Montreal(蒙特利尔大学);University of Southern California(南加州大学);Zhejiang University(浙江大学)
近年来,可解释图推理方法引起了人们极大的兴趣。然而,这些模型在稀疏和不完整的图上工作时,由于缺乏可以到达目标实体的证据路径,通常会受到性能限制。在这里,我们研究开放知识图谱推理-一个旨在通过背景文本语料库增强的图来推理缺失事实的任务。该任务的一个关键挑战是过滤掉从语料库中提取的“不相关”事实,以便在路径推理过程中保持有效的搜索空间。我们提出了一种新的强化学习框架,训练两个合作代理人联合,即,多跳图推理器和事实提取器。事实提取代理从语料库中生成事实三元组,以丰富动态图;而推理代理向事实提取器提供反馈,并引导其促进有助于可解释推理的事实。在两个公开数据集上的实验证明了该方法的有效性。本文中使用的源代码和数据集可以从https://github.com/shanzhenren/CPL下载
2019-08-31 cs.AI cs.CL cs.LG
MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations
ACM
MATRAG通过多智能体协作与知识图谱增强检索,提升推荐系统的透明性和可解释性,实验表明其在准确率和可信度上均优于现有方法。
2026-02-11 cs.AI cs.IR
FinVet: A Collaborative Framework of RAG and External Fact-Checking Agents for Financial Misinformation Detection
College of Engineering and Computing(工程与计算学院);George Mason University(乔治·马歇尔大学)
针对金融虚假信息检测现有方法透明度低、溯源能力弱的问题,提出多智能体协作框架FinVet,融合RAG与外部事实核查,在FinFact数据集上F1达0.85,性能显著优于基线方法。
2025-11-17 cs.AI cs.CL cs.IR
RAGNav: A Retrieval-Augmented Topological Reasoning Framework for Multi-Goal Visual-Language Navigation
Southwestern University of Finance(西南财经大学);Department of Informatics,Universitat Hamburg, Hamburg, Germany(汉堡大学信息学院);University of Electronic Science(电子科技大学)
RAGNav通过双基记忆系统和拓扑邻居评分传播机制,提升多目标视觉语言导航任务中目标可达性推理和顺序规划效率。
2026-03-04 cs.AI cs.RO
Facilitating Video Story Interaction with Multi-Agent Collaborative System
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
本文提出一种基于用户意图的视频故事交互系统,结合VLM、RAG和MAS实现角色成长与场景定制,并在《哈利·波特》上验证其增强交互体验的效果。
2025-05-02 cs.AI cs.CV cs.HC