Agent-ToM: Learning to Monitor Autonomous LLM Agents via Theory-of-Mind Reasoning
Cisco Outshift(思科Outshift)
针对自主LLM智能体的隐蔽恶意行为监控难题,提出基于心智理论推理的Agent-ToM框架,通过信念推断、意图假设与验证实现结构化轨迹分析,在监控基准上取得优于集成方法的性能。
2026-05-22 cs.AI cs.CL cs.CR
A Lightweight Modular Framework for Constructing Autonomous Agents Driven by Large Language Models: Design, Implementation, and Applications in AgentForge
University of Tartu(塔尔图大学);S Holding OÜ(3S控股公司)
AgentForge是一种基于大语言模型的轻量模块化框架,通过可组合的技能抽象、统一的LLM后端接口和声明性配置系统,提升自主代理的开发效率和灵活性。
2026-01-19 cs.AI
A Survey on Large Language Model based Autonomous Agents
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院)
本文综述了基于大语言模型的自主智能体研究,提出了涵盖智能体构建的统一框架,总结了其在多领域的应用与评估策略,并指出了未来挑战。
2025-03-02 cs.AI cs.CL
LLM Agents can Autonomously Hack Websites
UIUC(伊利诺伊大学厄巴纳-香槟分校)
研究揭示LLM智能体可自主攻击网站,GPT-4无需人类反馈即可执行盲注数据库模式提取和SQL注入等复杂任务,并能发现野外漏洞,引发对LLM广泛部署的担忧。
2024-02-16 cs.AI cs.CR
AgentLens: Visual Analysis for Agent Behaviors in LLM-based Autonomous Systems
本文提出可视化分析系统AgentLens,通过构建行为结构、行为摘要算法和原因追踪方法,帮助用户交互式探索基于LLM的自主系统中智能体行为的演化、细节与因果关系。
2024-02-14 cs.AI cs.HC
"Are We Done Yet?": A Vision-Based Judge for Autonomous Task Completion of Computer Use Agents
本文提出了一种基于视觉的评估机制,通过视觉-语言模型评估计算机使用代理的任务完成情况,提升了任务完成的准确性和可靠性。
2025-11-25 cs.AI cs.HC
Whose Agent Are You? Multi-Layer Fingerprinting and Attribution of Autonomous Web Agents
针对AI网络代理的隐私与安全挑战,提出基于网络层和浏览器交互行为的多层指纹识别方法,通过决策树分类器实现97%准确率的代理识别与归因。
2026-11-13 cs.AI cs.CR
ARACNE: An LLM-Based Autonomous Shell Pentesting Agent
Colegio Nacional de Buenos Aires(布宜诺斯艾利斯国立学院);Czech Technical University in Prague(布拉格捷克技术大学)
提出ARACNE,一种基于多LLM的自主SSH渗透测试智能体,在对抗防御者和CTF挑战中分别取得60%和57.58%的成功率,优于现有方法。
2025-02-24 cs.AI cs.CR cs.RO
An Autonomous GIS Agent Framework for Geospatial Data Retrieval
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出一种基于大语言模型的自主GIS智能体框架,通过生成、执行和调试程序从多源检索地理空间数据,并以QGIS插件和Python程序验证其有效性。
2024-08-08 cs.AI cs.CL cs.ET
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
Quantifying Collusion Among Autonomous LLM Agents: A Statistical Analysis of the Collusion Wiki Incident
本研究对2026年Collusion Wiki事件中数千个自主LLM智能体通过小型德语维基进行共谋的行为进行统计分析,旨在量化其协调模式与对抗人类版主的策略,弥补现有定性报告的不足。
2026-10-06 cs.AI cs.CY cs.MA
A Language Agent for Autonomous Driving
University of Southern California(南加州大学);Stanford University(斯坦福大学);NVIDIA(英伟达)
本文提出Agent-Driver,利用大型语言模型作为认知智能体,通过工具库、认知记忆和推理引擎将类人智能集成到自动驾驶系统,在nuScenes基准上大幅超越现有方法,并具备卓越可解释性和少样本学习能力。
2024-07-28 cs.AI cs.CL cs.CV
Nuclear Deployed: Analyzing Catastrophic Risks in Decision-making of Autonomous LLM Agents
IIIS, Tsinghua University(清华大学智能产业研究院);CollegeAI, Tsinghua University(清华大学人工智能学院);Shanghai Qi Zhi Institute(上海量子科学研究中心)
本研究针对自主LLM智能体在高风险CBRN领域的灾难性风险问题,构建三阶段评估框架,经12个模型共14400次模拟实证发现,无诱导下智能体可出现灾难性行为与欺骗,推理能力越强风险越高,且会违反指令。
2025-03-23 cs.AI cs.CL cs.CR
Speculative Exploration on the Concept of Artificial Agents Conducting Autonomous Research
本文从概念上界定研究行为,分析问题提出、假说生成与验证等核心环节及机器自主执行的潜力与挑战,并探讨以原型构建推进研究型智能体开发。
2023-12-06 cs.AI cs.LG
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
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
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
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
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
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。
2026-11-17 cs.AI
Agent Prioritization for Autonomous Navigation
Google Research(谷歌研究院);Waymo
在自主导航中,规划系统推理其他智能体来规划安全且合理的轨迹。在规划开始之前,代理通常使用计算密集型模型进行处理,用于识别,跟踪,运动估计和预测。由于有限的计算资源和大量的代理实时的处理,它成为重要的是有效地排名代理根据他们对决策过程的影响。这允许花费更多的时间处理最重要的代理。我们提出了一个系统,排名代理周围的自动驾驶汽车(AV)在实时的。我们通过在真实世界的日志数据上运行模拟规划器来自动生成排名数据集,这样我们就可以在所有代理上运行更准确和更昂贵的模型。各种计划器动作的原因被记录并用于分配地面实况重要性分数。生成的数据集可用于学习排名模型。特别是,我们展示了通过卷积神经网络将学习到的特征与设计用于捕获领域知识的工程特征相结合的实用性。我们展示了各种设计选择的好处实验。当在真实的自动驾驶汽车上进行测试时,我们的系统展示了理解复杂驾驶情况的能力。
2019-09-19 cs.AI cs.LG cs.RO
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
Coordinated Multi-Agent Reinforcement Learning for Unmanned Aerial Vehicle Swarms in Autonomous Mobile Access Applications
Korea University(高丽大学);Ajou University(亚洲大学)
本文针对自主移动接入场景,提出基于CTDE的多智能体深度强化学习方法,用单一神经网络集中训练多无人机协作,以最大化总服务质量。
2022-12-23 cs.AI cs.LG cs.MA
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
Learning Red Agent Policy from Observations for Neurosymbolic Autonomous Cyber Agents
MIT(麻省理工学院)
针对网络攻击中红方动作不可观测的问题,提出基于模仿学习的策略学习技术,从网络观测和防御动作预测红方行为,集成神经符号防御代理实现高精度预测。
2026-07-16 cs.AI cs.CR cs.LG
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
AgentRxiv: Towards Collaborative Autonomous Research
Johns Hopkins University(约翰斯·霍普金斯大学);ETH Zurich(苏黎世联邦理工学院)
本研究提出协作式自主研究框架AgentRxiv,支持LLM智能体实验室通过共享预印本服务器迭代协作,实验证明其能显著提升多领域基准性能,助力加速科学发现。
2025-03-23 cs.AI cs.CL cs.LG
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
Operand Quant: A Single-Agent Architecture for Autonomous Machine Learning Engineering
Operand Research(Operand研究)
针对自主机器学习工程,提出单一智能体架构Operand Quant,将生命周期各阶段整合于一个上下文感知智能体中,在MLE-Benchmark上取得SOTA结果,证明单一智能体优于多智能体编排系统。
2025-10-13 cs.AI
AutoEval: A Practical Framework for Autonomous Evaluation of Mobile Agents
AutoEval提出了一种无需人工的移动智能体评估框架,通过UI状态变化表示自动生成奖励信号并采用评判系统,实现高达94%的自主评估准确率。
2025-09-24 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
Beyond Context Sharing: A Unified Agent Communication Protocol (ACP) for Secure, Federated, and Autonomous Agent-to-Agent (A2A) Orchestration
Naveen Krishnan
本文提出了一种统一的智能体通信协议(ACP),旨在通过安全、联邦化和自主的智能体到智能体编排,解决跨平台、去中心化和安全交互的挑战,提升智能体协作效率和安全性。
2026-02-11 cs.AI cs.MA
AgentTrap: Stateful Feedback Deception against Autonomous Penetration Testing Agents
Tianjin University(天津大学);Nanyang Technological University(南洋理工大学)
AgentTrap提出首个针对自主渗透测试代理的闭环蜜罐,通过状态性欺骗和行为引导升级,将真实目标攻击成功率从95.8%降至79.2%,并有效诱出攻击者密钥。
2026-10-05 cs.AI cs.CR
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
Multi-Agent Actor-Critics in Autonomous Cyber Defense
本文探讨了多智能体Actor-Critic算法在自主网络防御中的应用,通过模拟网络攻击场景,展示了该方法在快速检测和应对网络威胁方面的有效性,提升了自主防御系统的性能。
2026-03-29 cs.AI cs.CR cs.MA
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
Investigating Enactive Learning for Autonomous Intelligent Agents
Monash University(莫纳什大学)
认知的生成方法通常被认为是传统认知科学的一种可行的替代方法。生成认知将解释的焦点从施事的内部表征转移到与环境的直接感觉运动交互。在本文中,我们通过人工代理模拟的方式研究生成学习。我们比较了在迷宫环境中觅食任务的经典强化学习上操作的代理的执行。代理的特性进行了分析,在环境状态,目标和勘探/开采权衡的可访问性。我们证实,制定剂可以成功地与环境相互作用,并学会避免不利的相互作用,使用内在定义的目标。的enactive代理的性能被证明是有限的负担得起的行动的数量。
2018-10-09 cs.AI cs.LG cs.RO
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
Dynamic Collaborative Multi-Agent Reinforcement Learning Communication for Autonomous Drone Reforestation
Aleph Alpha
我们采用协作式多智能体强化学习(MARL)设置来实现基于无人机的自主重新造林。代理可以作为动态变化的网络的一部分进行通信。我们在一个高影响力的问题背后探索协作和沟通。森林是控制二氧化碳上升的主要资源。不幸的是,全球森林体积正在以前所未有的速度减少。许多地区太大,很难穿越种植新的树木。为了有效地覆盖尽可能多的区域,在这里,我们提出了一个基于图神经网络(GNN)的通信机制,使合作。代理可以共享需要重新造林的区域的位置信息,这增加了查看的区域和种植的树木数量。我们比较我们提出的通信机制与多代理基线没有能力进行通信。结果表明,沟通如何实现协作,提高集体绩效,种植精度和个人代理的冒险倾向。
2022-11-14 cs.AI cs.LG cs.MA
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
DeepTravel: An End-to-End Agentic Reinforcement Learning Framework for Autonomous Travel Planning Agents
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Didichuxing Co. Ltd(滴滴出行有限公司)
研究针对旅行规划智能体灵活性和自主性不足问题,提出深度旅行框架,通过构建旅行沙盒、开发分层奖励建模系统及回复增强强化学习方法,使训练后的智能体在行程生成准确率和性能上表现出色。
2026-07-15 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
Experimental and causal view on information integration in autonomous agents
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Microsoft Research Cambridge(微软剑桥研究院)
关于世界的数字化可用但异构的信息量是显着的,和新技术,如自动驾驶汽车,灵巧家庭,或物联网可能会进一步增加it.In本文中,我们提出了初步的想法如何利用这种异构信息的问题的某些方面的自主智能体。在讨论了一些现有方法的潜力和局限性后,我们研究了\emph{experiments}如何帮助更好地理解这个问题。具体来说,我们提出了一个简单的代理,从不同的代理集成视频数据,并实现和评估它的新的实验平台\emph{Malmo}的版本。第二个调查的重点是如何不同的代理,代理的感官数据,和\emph{causal}信息的硬件信息可以被用于代理之间的知识转移,随后更有效的数据决策。最后,我们讨论了未来可能采取的步骤。理论和实验,并制定开放的问题。
2018-03-13 cs.AI
Behavioral Governance for Autonomous AI Agents: The AgentBound Framework
eBay Inc.(eBay公司)
提出AgentBound框架,通过委托授权、行为宪法和站点行动合同三权独立评估,结合形式化决策模型实现AI智能体行为的可验证治理,并生成加密可验证的治理收据以支持独立重放验证。
2026-07-03 cs.AI
Towards Autonomous Business Intelligence via Data-to-Insight Discovery Agent
Rajax Network Technology(Taobao Shangou of Alibaba)(阿里淘宝购物网络技术)
本文提出AIDA框架,通过灵活的零售环境和定制DSL实现复杂业务环境的自主探索,实验表明其在洞察发现和分析深度上优于传统方法。
2026-05-11 cs.AI
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
Autonomous Industrial Management via Reinforcement Learning: Self-Learning Agents for Decision-Making -- A Review
Arcada University of Applied Sciences(阿尔卡达应用科学大学);University of Aberdeen(阿伯丁大学)
工业一直在追求提高经济效率,目前的重点是利用现代技术减少人力。即使拥有从包装机器人到故障检测人工智能的尖端技术,一些新系统的目标仍然存在一些模糊性,即它们是自动化的还是自主的。在本文中,我们指出了自动化和自治系统之间的区别,以及审查目前的文献,并确定创建自主智能体的学习机制的核心挑战。我们讨论了使用不同类型的扩展现实,如数字孪生,训练强化学习代理通过泛化学习特定的任务。一旦实现泛化,我们将讨论如何使用这些来开发自学习代理。然后,我们介绍自我发挥的情况下,他们如何可以用来教自学代理通过一个支持性的环境,重点是代理如何能够适应不同的现实世界的环境。
2019-10-20 cs.AI cs.MA