Intelligent OPC Engineer Assistant for Semiconductor Manufacturing
NVIDIA（英伟达）
本文提出由 AI/LLM 驱动的 Intelligent OPC Engineer Assistant，结合强化学习 recipe 搜索与多模态智能体系统解决光学邻近校正优化问题，能高效替代资深工程师在各类芯片设计上构建 OPC recipe。
2024-08-27 cs.AI cs.AR
Exploring Sentiment Manipulation by LLM-Enabled Intelligent Trading Agents
Bowdoin College（鲍登学院）
本研究首次探索基于连续深度强化学习的智能交易代理，其控制大语言模型在社交媒体发布内容，通过操纵情绪优化奖励并增加利润，在模拟市场中验证了该行为。
2025-02-22 cs.AI cs.CE cs.LG
EcoGEO: Trajectory-Aware Evidence Ecosystems for Web-Enabled LLM Search Agents
ShanghaiTech University（上海科技大学）
本文提出EcoGEO，一种基于轨迹的证据生态系统，用于研究网络增强的大语言模型搜索代理在多步骤浏览中的证据获取过程，通过协调导航页面与支持页面提升产品推荐性能。
2026-11-06 cs.AI cs.IR
Insert-expansions for Tool-enabled Conversational Agents
University of St.Gallen（圣加仑大学）
本文针对工具赋能对话智能体易偏离用户意图的问题，提出“用户即工具”的插入扩展交互概念，并通过两项实证研究验证了该方法在推荐领域的有效性。
2023-07-04 cs.AI cs.CL cs.HC
Mind the Gap: Time-of-Check to Time-of-Use Vulnerabilities in LLM-Enabled Agents
Oregon State University（俄勒冈州立大学）
本研究首次探索LLM驱动智能体的TOCTOU漏洞，构建含66个任务的TOCTOU-Bench基准，提出提示词重写等三种应对方法，结合使用可将漏洞占比从12%降至8%，为AI安全与系统安全交叉领域开辟新方向。
2025-08-23 cs.AI cs.CR
PEAR: A Robust and Flexible Automation Framework for Ptychography Enabled by Multiple Large Language Model Agents
Argonne National Laboratory（阿贡国家实验室）；Rice University（莱斯大学）
针对叠层成像参数优化依赖试错导致效率低的问题，提出多LLM智能体自动化框架PEAR，通过知识检索、代码生成等任务协同提升成功率与适应性。
2024-10-11 cs.AI cs.CE cs.CL
DERA: Enhancing Large Language Model Completions with Dialog-Enabled Resolving Agents
Curai Health（Curai健康）
大语言模型（LLM）已经成为许多自然语言理解任务的有价值的工具。在医疗保健等安全关键型应用中，这些模型的实用性取决于它们生成真实准确和完整的输出的能力。在这项工作中，我们提出了对话使能解析代理（DERA）。DERA是一个范例，通过LLM的会话能力的增加而成为可能，即GPT-4。它为模型提供了一个简单的、可解释的论坛，以交流反馈并迭代地改进输出。我们框架我们的对话作为两个代理类型之间的讨论-一个研究员，谁处理信息，并确定关键的问题组件，和一个决策者，谁拥有自主权，以整合研究员的信息，并作出判断的最终输出。我们测试DERA对三个临床重点任务。对于医疗会话摘要和护理计划生成，DERA在人类专家偏好评估和定量指标方面都显示出比基本GPT-4性能的显着改进。在一项新的发现中，我们还表明，GPT-4在MedQA问答（QA）数据集（Jin et al. 2021，USMLE）的开放式版本上的性能（70%）远高于及格水平（60%），DERA表现出类似的性能。我们在https://github.com/curai/curai-research/tree/main/DERA上发布开放式MEDQA数据集。
2023-03-30 cs.AI cs.CL cs.LG
Network and Systems Performance Characterization of MCP-Enabled LLM Agents
Rutgers University（罗格斯大学）
本文针对支持模型上下文协议（MCP）的大型语言模型（LLM）智能体，通过测量分析揭示能力、性能与成本的权衡，探索不同模型和配置对关键指标的影响并提出优化方案，为高效稳健的MCP工作流开发提供见解。
2025-10-20 cs.AI cs.CL cs.DC
Logic-Based Verification of Task Allocation for LLM-Enabled Multi-Agent Manufacturing Systems
Pennsylvania State University（宾夕法尼亚州立大学）
本文提出一种利用大语言模型灵活性并保持安全性的控制架构，通过时序逻辑和离散事件系统验证任务分配，通过多机器人装配案例证明其有效性。
2026-04-18 cs.MA
MobileExperts: A Dynamic Tool-Enabled Agent Team in Mobile Devices
AI Lab at Lenovo Research（联想研究院AI实验室）；Renmin University of China（中国人民大学）；The Hong Kong University of Science and Technology（香港科技大学）
MobileExperts首次在移动设备中引入工具制定与多智能体协作，通过动态组队、独立探索和双层规划机制，在分层智能基准上全面优于现有方法并降低约22%推理成本。
2024-07-04 cs.AI cs.HC
StocksTalk: A Voice-Enabled Conversational Agent for Structured Query Generation over Web Data
IIIT-Delhi（德里印度信息技术学院）；Singapore Institute of Technology（新加坡理工学院）
StocksTalk是一种语音赋能对话系统，可将口语化金融请求转为结构化查询，通过多模块提升准确性，为股票筛选决策提供支持。
2026-08-20 cs.AI cs.CL cs.LG
Simulation Platform for Multi Agent Based Manufacturing Control System Based on The Hybrid Agent
基于Agent的分布式制造控制与调度系统是新型制造系统的一个子集。多智能体系统（MAS）不仅驱动设计和工程控制解决方案，而且还影响灵活性，敏捷性和可重构性，这使得MAS比传统的集中式系统更好。然而，在实际工厂中实施所有MAS是及时的，也是非常昂贵的。需要一个允许独立开发和测试相关制造硬件的服务和业务流程的仿真环境。针对基于多智能体的制造控制系统，设计并实现了一个面向车间级的用户友好的仿真平台。所提出的仿真平台可以通过考虑所述工厂的硬件水平来模拟所述工厂的软件水平。以动车组CIM实验室的柔性制造系统为例，介绍了该仿真平台的实现过程。
2016-03-24 cs.MA
Multi-Objective Optimization of the Textile Manufacturing Process Using Deep-Q-Network Based Multi-Agent Reinforcement Learning
ENSAIT（法国国立纺织艺术与工业学院）；Wuhan Textile University（武汉纺织大学）
由于纺织工业的发展日益复杂，纺织制造过程的多目标优化是一个越来越大的挑战。智能技术的使用在这一领域经常被讨论，尽管已经报道了某些成功应用的显着改进，但传统方法无法与高以及人为干预一起工作。在此基础上，提出了多智能体强化学习（MARL）框架，将优化过程转化为随机博弈，并引入深度Q网络算法对多智能体进行训练。在随机博弈中采用了一种功利选择机制，即在每个状态下采用（-贪婪策略）来避免多个均衡的中断，从而获得优化过程中的相关均衡最优解。实例研究结果表明，MARL系统能够获得纺织品臭氧化过程的最优解，且性能优于传统方法。
2020-12-02 cs.AI cs.MA
Ontology-Based Feedback to Improve Runtime Control for Multi-Agent Manufacturing Systems
本文针对制造系统OEE提升需求，提出将本体集成到多智能体系统中，通过可扩展知识库和运行时数据持续更新方法改善智能体通信与协作，并在模拟案例中验证了OEE的改进。
2023-09-18 cs.MA
Agentic AI-enabled Semantic Commissioning of a Cognitive Digital Twin for Reconfigurable Manufacturing
针对可重构制造中认知数字孪生调试难题，提出基于智能体和AI的工作流，利用LangGraph、RAG和MCP实现双路径自动调试，实验显示感知精度97.2%，部署时间从数周降至2小时。
2026-09-10 cs.MA cs.RO
A Negotiation-Based Multi-Agent Reinforcement Learning Approach for Dynamic Scheduling of Reconfigurable Manufacturing Systems
Industrial and Systems Engineering Department, Oakland University（奥克兰大学工业与系统工程系）
针对可重构制造系统（RMS）动态调度需求，提出基于协商的多智能体强化学习（MARL）框架，通过集中训练的深度Q网络（DQN）智能体实时优化工件-机器分配，结合注意力机制与DQN增强技术，在模拟环境中优于基线算法，验证其智能自适应调度优势。
2025-11-11 cs.AI cs.MA
A Dynamic Multi Agent based scheduling for flexible flow line manufacturing system accompanied by dynamic customer demand
动态重调度决策问题是现代制造系统中的一个重要问题，具有组合计算复杂性的特点。本文介绍了一种基于多智能体的方法，使用的详细过程，Prometheus方法学，用于设计的同时动态调度决策的柔性流水线制造系统，工作在动态客户需求。该应用程序已完全建模与普罗米修斯设计工具（PDT），它提供了全面支持普罗米修斯方法。本文所提出的动态调度决策系统是为自动化UPVC门窗公司开发的，可以支持静态调度和动态调度。
2016-11-02 cs.MA
Hybrid Agentic AI and Multi-Agent Systems in Smart Manufacturing
University of South Carolina（南卡罗来纳大学）
本文提出一种混合代理AI与多代理框架，用于预测性维护，结合LLM代理的战略协调与规则代理的高效任务处理，通过分层架构实现动态模型适应与可解释决策。
2025-11-23 cs.AI cs.LG cs.MA
Application of distributed constraint satisfaction problem to the agent-based planning in manufacturing systems
如今，国家市场的全球化要求发展灵活和需求驱动的生产系统。基于Agent的技术具有分布式、灵活性和自主性，有望对环境的干扰和突然变化做出短时间的反应，并满足上述要求。分布式约束满足的方法所建议的方法是由一个修改后的Petri网提供的概念和实现的主要细节。
2011-09-03 cs.MA
Engineering hierarchical complex systems: an agent-based approach. The case of flexible manufacturing systems
本文介绍了一种形式化的模型来指定、建模和验证在不同分析层次上描述的分层复杂系统。它依赖于多智能体仿真（MABS）文献中开发的概念：水平，影响和反应。这样的模型的一个应用是规范的层次复杂系统，其中决策能力是动态适应在每个级别的紧急情况/约束范式。在结论中，我们讨论了这项工作的主要观点：定义一个通用的元模型的合弄多智能体系统（HMAS）。
2012-05-31 cs.MA
Multi-Agent Deep Q-Network with Layer-based Communication Channel for Autonomous Internal Logistics Vehicle Scheduling in Smart Manufacturing
Univ. Grenoble Alpes, CNRS, Grenoble INP G-SCOP（格勒诺布尔大学、法国国家科学研究中心、格勒诺布尔理工学院G-SCOP实验室）；University of Virginia（弗吉尼亚大学）
针对智能制造中自主内部物流车辆调度难题，提出带分层通信通道的多智能体深度Q网络，在多项目标优化、动态场景适配及规模扩展性上均优于9种经典调度启发式算法。
2024-11-01 cs.AI cs.LG cs.MA
AgentsCAD: Automated Design for Manufacturing of FDM Parts via Multi-Agent LLM Reasoning and Geometric Feature Recognition
Carnegie Mellon University（卡内基梅隆大学）
提出AgentsCAD多智能体系统，结合B-Rep几何解析与LLM推理，自动检测FDM零件悬垂缺陷并生成修改建议，输出修正STEP文件。
2026-07-08 cs.MA
LLM Enabled Multi-Agent System for 6G Networks: Framework and Method of Dual-Loop Edge-Terminal Collaboration
Beijing University of Posts and Telecommunications（北京邮电大学）
针对6G网络中单设备资源不足限制LLM赋能智能体高效运行的问题，提出双环边端协同的多智能体框架，通过外环迭代协同与内环循环推理结合并行工具调用卸载，经城市安全治理案例验证有效提升规划能力与执行效率。
2025-09-05 cs.AI cs.MA
Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System
University of Cambridge（剑桥大学）
预测性机器学习的最新进展使其在制造业的各种用例中得到了应用。大多数研究都集中在最大限度地提高预测准确性，而没有解决与之相关的不确定性。虽然准确性很重要，但主要关注它会带来过度拟合的危险，使制造商面临风险，最终阻碍这些技术的采用。在本文中，我们确定了机器学习中的不确定性的来源，并建立了一个机器学习系统的成功标准，在不确定性的网络物理制造系统（CPMS）的情况下，良好的运作。然后，我们提出了一个多智能体系统架构，利用概率机器学习作为实现这些标准的一种手段。我们提出了可能的情况下，我们提出的架构是有用的，并讨论未来的工作。在实验中，我们实现贝叶斯神经网络的多任务分类的公共数据集的实时状态监测的液压系统，并证明该系统的有用性，通过评估的概率预测是准确的，因为它的不确定性。我们部署这些模型使用我们提出的基于代理的框架和集成网络可视化，以证明其实时的可行性。
2021-07-28 cs.LG cs.MA
LLM-Driven Multi-Agent Control for Skill-Based Smart Manufacturing
Technical University of Munich（慕尼黑工业大学）；Siemens AG（西门子股份公司）
针对小批量定制化生产中频繁重编程的需求，提出将LLM智能体与MCP工具结合，通过MQTT协调和实时状态注入实现智能制造，实验表明多种架构均达到93%解决率并涌现故障诊断能力。
2026-10-02 cs.AI cs.MA cs.SY
Dynamic Task Adaptation for Multi-Robot Manufacturing Systems with Large Language Models
Department of Industrial and Manufacturing, Pennsylvania State University（工业与制造系，宾夕法尼亚州立大学）
本文提出了一种基于大型语言模型的控制框架，通过中央控制器智能体解释机器人配置数据并生成有效重分配，实现多机器人制造系统在机器人故障时的动态任务重分配，实验证明其在真实场景中具有高任务成功率，显著提升了系统的适应性。
2025-05-28 cs.MA cs.RO
DART: A DAG-Based Reputation and Incentive Framework via Blockchain-Enabled Governance for Trustworthy LLM Multi-Agent Collaboration
Michigan Technological University（密歇根理工大学）
DART提出基于DAG的声誉与激励框架，结合区块链治理，实现可信LLM多智能体协作，在GSM8K达93.6%准确率，并有效隔离恶意智能体。
2026-09-09 cs.AI cs.MA
Dynamic distributed decision-making for resilient resource reallocation in disrupted manufacturing systems
针对制造系统资源中断下的动态资源分配问题，提出基于模型的资源智能体架构及融合风险评估的多智能体重调度策略，在降低计算开销的同时提升吞吐量。
2025-07-25 cs.MA cs.SY eess.SY
Digital Twin-based Smart Manufacturing: Dynamic Line Reconfiguration for Disturbance Handling
针对制造扰动导致作业时间变化的问题，提出融合数字孪生、能力本体、配置优化与高速仿真的动态产线重构框架，并在电池产线案例中验证其可快速恢复吞吐量。
2025-06-09 cs.MA
Scaling Teams or Scaling Time? Memory Enabled Lifelong Learning in LLM Multi-Agent Systems
Emory University（埃默里大学）；Illinois Institute of Technology（伊利诺伊理工学院）；University of Notre Dame（圣母大学）；Cisco Research（思科研究院）
本文研究了大语言模型多智能体系统在团队规模和持续学习能力上的协同优化，提出LLMA-Mem框架，通过灵活内存拓扑提升长期性能并降低成本。
2026-03-27 cs.AI cs.MA
Multi-Agent Deep Reinforcement Learning enabled Computation Resource Allocation in a Vehicular Cloud Network
在本文中，我们研究了计算资源分配问题，在一个分布式的Ad-Hoc车辆网络没有集中的基础设施的支持。为了支持这种车辆网络中不断增长的计算需求，形成了分布式虚拟云网络（VCN），在此基础上，提出了通过在附近车辆之间卸载的计算资源共享方案。针对虚拟通信网络中计算资源时变的特点，详细分析了计算资源的统计分布特性。在此基础上，提出了一种资源感知的组合优化目标机制。为了缓解VCN中典型的多Agent环境所造成的非平稳环境，我们采用了集中训练和分散执行的框架。此外，针对目标优化问题，我们将其建模为马尔可夫博弈，并提出了基于DRL的多智能体深度确定性强化学习（MADDPG）算法来解决。有趣的是，为了克服VCN中缺乏真正的中央控制单元的困境，分配实际上是以分布式方式在车辆上完成的。仿真结果证明了该方案的有效性。
2020-08-17 cs.AI cs.MA
Implementing Argumentation-enabled Empathic Agents
在以前的出版物中，我们介绍了移情代理的核心概念，代理使用基于效用和基于规则的方法相结合，以解决冲突时，与其他代理在他们的环境中。在这项工作中，我们实现了概念验证的移情代理的原型与多智能体系统开发框架杰森和应用论证理论，以扩展以前介绍的概念，占不同的代理人之间的信仰不一致。然后，我们分析了不同的基于容许集的论证语义来解决这些不一致的可行性。作为分析的结果，我们确定了最大的理想扩展作为最可行的论证语义的问题的焦点。
2018-12-12 cs.MA
Scalable Multi-agent Reinforcement Learning for Factory-wide Dynamic Scheduling
The Catholic University of Korea（韩国天主教大学）；Northwestern University（西北大学）；Intel Corporation（英特尔公司）
本文提出一种主从多智能体强化学习（MARL）模型，通过分解调度问题实现可扩展的全厂动态调度，并结合基于规则的转换算法防止智能体错误导致的生产损失，实验证明其在多方面优于现有深度RL模型且对需求变化具有最强稳健性。
2024-09-20 cs.AI cs.MA
Argus: Smartphone-enabled Human Cooperation via Multi-Agent Reinforcement Learning for Disaster Situational Awareness
Rutgers University（罗格斯大学）；Department of Homeland Security Science & Technology Directorate（国土安全部科学技术局）
Argus利用多智能体强化学习（MARL）框架，使用事故区域周围的智能体创建灾难现场的3D地图，以促进救援行动。这些智能体既可以是灾难现场的人类旁观者，也可以是可以帮助人类的无人机或机器人。代理参与使用智能手机（或无人机情况下的机载摄像头）捕获场景的图像，由MARL算法指导。这些图像被用来构建灾难现场的实时的3D地图。通过模拟和真实的实验，评估的框架在跟踪环境的随机动态性方面的有效性。
2019-04-29 cs.AI cs.CY cs.LG
Validation of Enhanced Emotion Enabled Cognitive Agent Using Virtual Overlay Multi-Agent System Approach
本文提出基于虚拟叠加多智能体系统的方法，验证了增强型情感认知智能体在避免道路碰撞中的有效性，展示了其在不同交通情境下感知恐惧等级的能力及更短的停车视距和超车视距。
2017-08-04 cs.AI cs.GT cs.MA
BetaWeb: Towards a Blockchain-enabled Trustworthy Agentic Web
Shanghai Innovation Institute（上海创新研究院）；Sun Yat-sen University（中山大学）；Zhejiang University（浙江大学）；Shanghai Data Group Co., Ltd（上海数据集团有限公司）；Shanghai Jiao Tong University（上海交通大学）
本文提出区块链赋能的BetaWeb框架，通过五阶段演进路线图推动LaMAS从被动执行走向自主治理，构建可信、可扩展且可持续激励的智能体网络，并推进Web向Web3.5演进。
2025-08-19 cs.AI cs.MA cs.NI
LLM-Aided Design for Manufacturing: A Multi-Agent System for Intent-Preserving Redesign of CAD for Improved Manufacturability
Northwestern University（西北大学）
本文提出DFM-Redesign多智能体系统，利用预训练多模态LLM通过审查与验证编辑循环，实现保持设计意图的CAD零件可制造性改进，无需微调，在基准上优于单智能体。
2026-09-09 cs.CE cs.CV cs.MA
Exponential Topology-enabled Scalable Communication in Multi-agent Reinforcement Learning
The Hong Kong University of Science and Technology（香港科技大学）；Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI））；Software Engineering Institute, East China Normal University（华东师范大学软件工程学院）
针对大规模多智能体强化学习中的通信扩展难题，提出基于指数拓扑的ExpoComm协议，利用小直径和小规模特性加速信息传播，并在MAgent等基准上验证了优越性能与零样本迁移能力。
2025-02-27 cs.AI cs.LG cs.MA
LLM-Enabled Multi-Agent Systems: Empirical Evaluation and Insights into Emerging Design Patterns & Paradigms
Kaze Technologies（Kaze 技术）；Kaze Consulting（Kaze 咨询）；University of the West of England（西英格兰大学）
本文通过实证评估，探讨了基于大语言模型的多智能体系统在不同领域中的应用效果，揭示了新兴设计模式与范式的优劣及改进方向。
2026-01-06 cs.MA
Enhanced Emotion Enabled Cognitive Agent Based Rear End Collision Avoidance Controller for Autonomous Vehicles
Iqra University（伊克拉大学）；COMSATS（COMSATS大学）
本文提出一种基于增强型情感驱动认知代理的后方碰撞避免控制器，通过引入恐惧情绪生成机制，提高自动驾驶车辆的碰撞避免效率和规则数量。
2017-08-06 cs.AI cs.MA cs.RO
Physical AI Agents: Integrating Cognitive Intelligence with Real-World Action
本研究提出面向物理交互的Physical AI Agents及含感知、认知、驱动模块的架构，还有Ph-RAG设计模式，通过案例验证其在多行业的应用价值，助力企业整合具身AI提效创新。
2025-01-15 cs.MA
PECMAN: Perception-enabled Collaborative Multi-Agent Navigation in Unknown Environments
Department of Electrical and Computer Engineering, University of Connecticut（电子与计算机工程系，康涅狄格大学）
PECMAN通过分布式树形变形和共享感知策略，实现多智能体在未知环境中的协作导航，提高实时适应性和效率，减少冗余反应，提升团队完成效率达52%。
2026-05-10 cs.MA cs.RO
MAxLM: Multi-Agent Language Model-Based Scheduling and Resource Allocation in MU-MIMO-OFDMA-Enabled Wireless Networks
University of Louisville（路易斯维尔大学）
本文提出MAxLM框架，利用预训练语言模型优化无线网络的上行调度接入，通过WiSER平台实现自主调度与资源分配，实验表明其在不同STA数量和天线设置下均优于基准方法。
2026-05-15 cs.MA cs.NI eess.SP
Implicit Multiagent Coordination at Unsignalized Intersections via Multimodal Inference Enabled by Topological Braids
Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）；Toyota Research Institute（丰田研究所）
我们专注于导航理性，非通信代理在无信号的街道交叉口。在这样的环境下，遵循无碰撞运动需要智能体之间微妙的隐式协调。通常，这些域的结构约束多智能体轨迹属于一个有限的模式集。我们的关键见解是，赋予代理这些模式的模型可以实现有效的协调，通过代理的行动中编码的意图信号隐式实现。在本文中，我们代表了一个紧凑的和可解释的方式使用拓扑辫子的形式主义的联合行为模式。我们设计了一个分散的规划算法，产生的行动，旨在减少新兴的多智能体行为模式的不确定性。这种机制使代理，单独运行我们的算法，集体拒绝不安全的交叉路口。我们验证了我们的方法在一个模拟的案例研究具有挑战性的多智能体的情况下，在一个四路无信号交叉口。我们的模型被证明可以在一组明确推理轨迹的基线上将碰撞频率降低>65%，同时保持相当的时间效率。
2020-08-08 cs.AI cs.MA cs.RO
An AI-enabled Agent-Based Model and Its Application in Measles Outbreak Simulation for New Zealand
Institute of Environment Science and Research, New Zealand（新西兰环境科学与研究所）
本研究耦合GNN与LSTM开发张量化可微分ABM，实现自动校准与低计算成本扩展，用于模拟2019年新西兰麻疹暴发，精准再现疫情动态，为平衡防疫与民生的决策提供支持。
2024-03-09 cs.CY cs.LG cs.MA
