AI Agent

LLM-Driven Stationarity-Aware Expert Demonstrations for Multi-Agent Reinforcement Learning in Mobile Systems

基于大语言模型的站稳意识专家示范的多智能体强化学习在移动系统中的应用

Tianyang Duan, Zongyuan Zhang, Zheng Lin, Songxiao Guo, Xiuxian Guan, Guangyu Wu, Zihan Fang, Haotian Meng, Xia Du, Ji-Zhe Zhou, Heming Cui, Jun Luo, Yue Gao

机构 * Division of Computer Science, The University of Hong Kong（计算机科学系，香港大学） ； Department of Electrical and Electronic Engineering, The University of Hong Kong（电气电子工程系，香港大学） ； Department of Computer Science and Technology, Peking University（计算机科学与技术系，北京大学） ； Department of Computer Science, City University of Hong Kong（计算机科学系，城市大学） ； China Unicom Digital Technology, China Unicom co.,Ltd（中国联合数字技术，中国联合有限公司） ； School of Computer and Information Engineering, Xiamen University of Technology（计算机与信息工程学院，厦门理工学院） ； School of Computer Science, Engineering Research Center of Machine Learning and Industry Intelligence, Sichuan University（计算机科学学院，机器学习与工业智能工程研究中心，四川大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； Institute of Space Internet, Fudan University（空间互联网研究院，复旦大学） ； School of Computer Science, Fudan University（计算机科学学院，复旦大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；autonomous agent(abstract)；分类 cs.LG

AI总结 本文提出RELED框架，通过大语言模型驱动的专家示范与自主探索相结合，提升多智能体强化学习在移动系统中的性能和稳定性。

Comments 15 pages, 9 figures

Addressing Situated Teaching Needs: A Multi-Agent Framework for Automated Slide Adaptation

应对情境教学需求：一种多智能体框架用于自动幻灯片适应

Binglin Liu, Yucheng Wang, Zheyuan Zhang, Jiyuan Lu, Shen Yang, Daniel Zhang-Li, Huiqin Liu, Jifan Yu

机构 * Tsinghua University, Beijing, China（清华大学，北京，中国） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；AI agent(abstract)；分类 cs.AI

AI总结 本文提出一种多智能体框架，用于自动化教学幻灯片适应，通过教师访谈识别关键摩擦点，并在8门课程中验证了其有效性，达到0.89的F1分数。

An Analysis of Constraint-Based Multi-Agent Pathfinding Algorithms

基于约束的多智能体路径寻找算法分析

Hannah Lee, James D. Motes, Marco Morales, Nancy M. Amato

机构 * Parasol Lab, School of Computer Science, University of Illinois at Urbana Champaign（帕索尔实验室，计算机科学学院，伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science at Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治理工学院（ITAM）计算机科学系） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 本文分析了基于约束的多智能体路径寻找算法，探讨了保守型与激进型约束在不同场景下的性能差异，并提供了决策流程图以指导约束选择，同时强调了拓扑特征在多机器人运动规划中的重要性。

AnimAgents: Coordinating Multi-Stage Animation Pre-Production with Human-Multi-Agent Collaboration

AnimAgents: 协调多阶段动画前期制作的人机多智能体协作

Wen-Fan Wang, Chien-Ting Lu, Jin Ping Ng, Yi-Ting Chiu, Ting-Ying Lee, Miaosen Wang, Bing-Yu Chen, Xiang 'Anthony' Chen

机构 * National Taiwan University（国立台湾大学） ； Google DeepMind（谷歌DeepMind） ； HCI Research, UCLA（人机交互研究， UCLA） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；workflow(abstract)；分类 cs.AI

AI总结 AnimAgents通过人机多智能体协作系统，协调多阶段动画前期制作流程，提升协调性、一致性和信息管理效率。

Dialogue Diplomats: An End-to-End Multi-Agent Reinforcement Learning System for Automated Conflict Resolution and Consensus Building

对话外交官：一种端到端的多智能体强化学习系统，用于自动化冲突解决与共识构建

Deepak Bolleddu

机构 * School of Computing and Engineering（计算与工程学院） ； College of Engineering（工程学院） ； University of Wollongong（沃灵顿大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；autonomous agent(abstract)；分类 cs.AI

AI总结 Dialogue Diplomats通过端到端多智能体强化学习框架，结合分层共识网络、渐进谈判协议和上下文感知奖励机制，实现复杂环境中的自动化冲突解决与共识构建。

Be My Eyes: Extending Large Language Models to New Modalities Through Multi-Agent Collaboration

Be My Eyes: 通过多智能体协作扩展大型语言模型到新模态

James Y. Huang, Sheng Zhang, Qianchu Liu, Guanghui Qin, Tinghui Zhu, Tristan Naumann, Muhao Chen, Hoifung Poon

机构 * University of Southern California（南加州大学） ； Microsoft Research（微软研究院） ； University of California, Davis（加州大学戴维斯分校） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 BeMyEyes通过多智能体协作扩展LLMs到多模态推理，利用高效VLMs与强大LLMs的互补优势，实现轻量级开源解决方案。

AutoMAS: A Generic Multi-Agent System for Algorithm Self-Adaptation in Wireless Networks

AutoMAS：一种通用的多智能体系统，用于无线网络中的算法自适应

Dingli Yuan, Jingchen Peng, Jie Fan, Boxiang Ren, Lu Yang, Peng Liu

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；AI agent(abstract)

AI总结 AutoMAS通过多智能体系统实现无线网络中算法的自适应优化，提升复杂任务处理的准确性和鲁棒性。

DataSage: Multi-agent Collaboration for Insight Discovery with External Knowledge Retrieval, Multi-role Debating, and Multi-path Reasoning

DataSage: 基于外部知识检索、多角色辩论和多路径推理的多智能体协作以实现洞察发现

Xiaochuan Liu, Yuanfeng Song, Xiaoming Yin, Xing Chen

机构 * ByteDance, China（字节跳动） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 DataSage通过多智能体协作、外部知识检索和多路径推理，提升数据洞察发现的准确性和深度。

ALMAS: an Autonomous LLM-based Multi-Agent Software Engineering Framework

ALMAS: 一种基于自主LLM的多智能体软件工程框架

Vali Tawosi, Keshav Ramani, Salwa Alamir, Xiaomo Liu

机构 * J.P. Morgan AI Research（摩根大通人工智能研究） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.SE

AI总结 ALMAS是一种基于自主LLM的多智能体软件工程框架，旨在通过模块化集成与人类开发者协作，实现软件开发生命周期中的自动化任务。

Comments Accepted to MAS-GAIN Workshop at ASE 2025

Communicating Plans, Not Percepts: Scalable Multi-Agent Coordination with Embodied World Models

传达计划，而非感知：基于具身世界模型的可扩展多智能体协调

Brennen A. Hill, Mant Koh En Wei, Thangavel Jishnuanandh

机构 * Department of Computer Science University of Wisconsin-Madison（计算机科学系 明尼苏达大学） ； Department of Computer Science National University of Singapore（计算机科学系 新加坡国立大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于具身世界模型的意图通信方法，通过端到端学习与工程化设计对比，展示在复杂环境下更优的协调能力。

Comments Published in the Proceedings of the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Scaling Environments for Agents (SEA). Additionally accepted for presentation in the NeurIPS 2025 Workshop: Embodied World Models for Decision Making (EWM) and the NeurIPS 2025 Workshop: Optimization for Machine Learning (OPT)

Shadows in the Code: Exploring the Risks and Defenses of LLM-based Multi-Agent Software Development Systems

代码中的阴影：探索基于LLM的多智能体软件开发系统的风险与防御

Xiaoqing Wang, Keman Huang, Bin Liang, Hongyu Li, Xiaoyong Du

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 本文研究了基于LLM的多智能体软件开发系统中的安全风险，提出IMBIA攻击及Adv-IMBIA防御机制，揭示了恶意智能体对软件开发过程的威胁及防御策略。

Comments Accepted by AAAI 2026 Alignment Track

MOMA-AC: A preference-driven actor-critic framework for continuous multi-objective multi-agent reinforcement learning

MOMA-AC: 一种基于偏好驱动的连续多目标多智能体强化学习框架

Adam Callaghan, Karl Mason, Patrick Mannion

机构 * University of Galway（Galway大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 MOMA-AC通过多目标多智能体actor-critic框架，在连续空间中实现多目标策略的帕累托最优，提升预期效用和超体积，展现稳定的可扩展性。

Comments 23 pages, 5 figures

Journal ref Neurocomputing, Volume 664, 2026, 132032, ISSN 0925-2312

A Multi-Agent LLM Framework for Multi-Domain Low-Resource In-Context NER via Knowledge Retrieval, Disambiguation and Reflective Analysis

面向多领域低资源情境命名实体识别的多智能体LLM框架：通过知识检索、消歧和反思分析

Wenxuan Mu, Jinzhong Ning, Di Zhao, Yijia Zhang

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.CL

AI总结 KDR-Agent通过知识检索、消歧和反思分析，提升多领域低资源情境下命名实体识别的性能

Comments This paper has been accepted by AAAI 2026 (Main Technical Track)

MAGMA-Edu: Multi-Agent Generative Multimodal Framework for Text-Diagram Educational Question Generation

MAGMA-Edu：多智能体生成多模态框架用于文本-图表教育问题生成

Zhenyu Wu, Jian Li, Hua Huang

机构 * School of Artificial Intelligence, Beijing Normal University（人工智能学院，北京师范大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 MAGMA-Edu通过多智能体框架实现教育问题生成，提升文本与图像的一致性，达到多模态教育内容生成的新水平。

Agent-as-a-Graph: Knowledge Graph-Based Tool and Agent Retrieval for LLM Multi-Agent Systems

Agent-as-a-Graph: 基于知识图谱的LLM多智能体系统中的工具与智能体检索

Faheem Nizar, Elias Lumer, Anmol Gulati, Pradeep Honaganahalli Basavaraju, Vamse Kumar Subbiah

机构 * Commercial Technology and Innovation Office, PricewaterhouseCoopers（普华永道商业技术与创新办公室） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.CL

AI总结 本文提出基于知识图谱的智能体检索方法，通过构建智能体与工具的关系图谱，提升多智能体系统中工具和智能体的检索效果。

Multi-Agent Coordination in Autonomous Vehicle Routing: A Simulation-Based Study of Communication, Memory, and Routing Loops

多智能体在自动驾驶路径规划中的协调：基于仿真的通信、记忆与路径循环研究

KM Khalid Saifullah, Daniel Palmer

机构 * Department of Computer Science（计算机科学系） ； The College of Wooster（沃斯特学院） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.LG

AI总结 本研究通过引入对象内存管理（OMM）有效解决了多智能体自动驾驶中的路径循环问题，显著降低了平均旅行时间和等待时间，证明了持久共享内存对动态环境中多智能体协调的必要性。

Hierarchical Adaptive Consensus Network: A Dynamic Framework for Scalable Consensus in Collaborative Multi-Agent AI Systems

分层自适应共识网络：一种用于协作多智能体AI系统可扩展共识的动态框架

Rathin Chandra Shit, Sharmila Subudhi

机构 * Department of CSE, International Institute of Information Technology（计算机科学与工程系，国际信息技术研究所） ； Department of CS, Maharaja Sriramm Chandra Bhanja Deo University（计算机系，马哈拉吉·斯里拉姆·查兰贾德奥大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出分层自适应共识网络，通过三层架构实现协作多智能体系统中高效的共识达成，显著降低通信开销并确保收敛性。

Comments Submitted to Elsevier

Black-Box Lifting and Robustness Theorems for Multi-Agent Contracts

多智能体合同的黑盒提升与鲁棒性定理

Paul Dütting, Tomer Ezra, Michal Feldman, Thomas Kesselheim

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出多智能体合同在更广泛均衡概念下的黑盒提升与鲁棒性定理，通过次模和XOS奖励的分析，证明了在最佳CCE下的常数因子近似保证。

Consensus-Based Stability Analysis of Multi-Agent Networks

基于共识的多智能体网络稳定性分析

Ingyu Jang, Ethan J. LoCicero, Leila Bridgeman

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出基于共识的分布式稳定性分析方法，利用网络耗散定理和交替方向乘数法，通过无人机群实验验证了算法收敛性。

Comments Accepted to CDC 2025. 6 pages, 4 figures

Journal ref IEEE Conference on Decision and Control (CDC), 2025

Distributed Safe Control Design and Probabilistic Safety Verification for Multi-Agent Systems

分布式安全控制设计与多智能体系统的概率安全验证

Han Wang, Antonis Papachristodoulou, Kostas Margellos

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出了一种分布式算法，用于多智能体系统的安全控制设计和概率安全验证，通过合作机制解决不可行性问题，并通过场景方法量化安全性。

Comments manuscript accepted by Automatica

Journal ref Automatica, Vol. 179, 2025

Expanding the Workspace of Electromagnetic Navigation Systems Using Dynamic Feedback for Single- and Multi-agent Control

通过动态反馈扩展电磁导航系统的作业空间以实现单体和多体控制

Jasan Zughaibi, Denis von Arx, Maurus Derungs, Florian Heemeyer, Luca A. Antonelli, Quentin Boehler, Michael Muehlebach, Bradley J. Nelson

机构 * Multi-Scale Robotics Lab, ETH Zurich（多尺度机器人实验室，苏黎世联邦理工学院） ； Learning and Dynamical Systems Group, Max Planck Institute for Intelligent Systems（学习与动态系统组，马克斯·普朗克智能系统研究所） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 通过动态反馈和系统级控制设计扩展电磁导航系统的作业空间，实现单体和多体控制的稳定与高效

A Lyapunov-Based Distri buted Framework for Complete and Phase Synchronization in Chaotic Multi-Agent Systems

一种基于李雅普诺夫的分布式框架用于混沌多智能体系统的完全同步与相位同步

Marzieh Basiri Abarghoei, Mohammad Reza Ahmadi Zand

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出了一种基于李雅普诺夫的分布式控制框架，用于实现混沌多智能体系统的完全同步与相位同步，通过非线性耦合机制和矩阵度量分析，提高了同步的鲁棒性和收敛速度。

Comments 13 pages

SciEducator: Scientific Video Understanding and Educating via Deming-Cycle Multi-Agent System

SciEducator: 基于Deming循环多智能体系统的科学视频理解与教育

Zhiyu Xu, Weilong Yan, Yufei Shi, Xin Meng, Tao He, Huiping Zhuang, Ming Li, Hehe Fan

机构 * Jinan University（济南大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Peking University（北京大学） ； University of Electronic Science and Technology of China（电子科技大学） ； South China University of Technology（华南理工大学） ； Guangming Laboratory（光明实验室） ； Zhejiang University（浙江大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 SciEducator通过Deming循环多智能体系统实现科学视频的自演化理解与教育，生成多模态教学内容并超越现有大语言模型和视频智能体。

Markov Potential Game Construction and Multi-Agent Reinforcement Learning with Applications to Autonomous Driving

马尔可夫势博弈构建与多智能体强化学习及其在自动驾驶中的应用

Huiwen Yan, Mushuang Liu

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出马尔可夫势博弈的构建条件，并在自动驾驶中应用多智能体强化学习。

LLM and Agent-Driven Data Analysis: A Systematic Approach for Enterprise Applications and System-level Deployment

大语言模型与智能体驱动的数据分析：企业应用与系统级部署的系统方法

Xi Wang, Xianyao Ling, Kun Li, Gang Yin, Liang Zhang, Jiang Wu, Annie Wang, Weizhe Wang

专题命中 多智能体 ：agent(title,abstract)；AI agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出一种系统方法，利用大语言模型和智能体技术，提升企业数据分析的效率和安全性，解决复杂查询和分布式部署中的关键挑战。

Safety and Risk Pathways in Cooperative Generative Multi-Agent Systems: A Telecom Perspective

合作生成多智能体系统的安全性和风险路径：电信视角

Zeinab Nezami, Shehr Bano, Abdelaziz Salama, Maryam Hafeez, Syed Ali Raza Zaidi

专题命中 多智能体 ：agent(title)；multi-agent(title)；planning(abstract)

AI总结 本文从电信视角探讨生成多智能体系统中的安全性和风险路径，提出模块化安全评估框架，揭示智能体多样性对系统稳定性的影响，并展示通过模拟验证的改进与持续存在的漏洞。

Intelligent Design 4.0: Paradigm Evolution Toward the Agentic AI Era

智能设计4.0：迈向代理AI时代的范式演变

Shuo Jiang, Min Xie, Frank Youhua Chen, Jian Ma, Jianxi Luo

机构 * Department of Systems Engineering（系统工程系） ； City University of Hong Kong（香港城市大学） ； Department of Decision Analytics and Operations（决策分析与运营系） ； Department of Information Systems（信息系统系） 纠错

专题命中 多智能体 ：agentic(title,abstract)；agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出智能设计4.0范式，基于基础模型的代理AI系统，推动工程设计的自动化与智能化发展。

Comments 17 pages, 7 figures

Journal ref ASME Journal of Computing and Information Science in Engineering, 2025

Hiding in the AI Traffic: Abusing MCP for LLM-Powered Agentic Red Teaming

AI流量中的隐藏：利用MCP进行LLM驱动的代理红队攻击

Strahinja Janjusevic, Anna Baron Garcia, Sohrob Kazerounian

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 多智能体 ：agentic(title,abstract)；agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出一种基于MCP的C2架构，用于LLM驱动的红队攻击，通过异步并行操作和实时情报共享，减少检测足迹并提升系统整体效能。

Comments 23 pages, 9 figures, 3 tables. Submitted as a full paper for review

PRAGMA: A Profiling-Reasoned Multi-Agent Framework for Automatic Kernel Optimization

PRAGMA：一种基于剖析的多智能体框架用于自动内核优化

Kelun Lei, Hailong Yang, Huaitao Zhang, Xin You, Kaige Zhang, Zhongzhi Luan, Yi Liu, Depei Qian

机构 * School of Computer Science and Engineering（计算机科学与工程学院） 纠错

专题命中 多智能体 ：agent(title)；multi-agent(title)；分类 cs.AI

AI总结 PRAGMA通过整合执行反馈和硬件剖析，利用AI生成高性能内核，实现比现有方法更优的性能提升。

Towards Automating Data Access Permissions in AI Agents

面向AI代理的数据访问权限自动化

Yuhao Wu, Ke Yang, Franziska Roesner, Tadayoshi Kohno, Ning Zhang, Umar Iqbal

机构 * Washington University in St. Louis（圣路易斯华盛顿大学） ； University of California, Irvine（加州大学尔湾分校） ； University of Washington（华盛顿大学） ； Georgetown University（乔治城大学） 纠错

专题命中 多智能体 ：AI agent(title,abstract)；agentic(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种基于机器学习的AI代理权限管理方法，通过用户研究和模型预测，实现了85.1%的权限预测准确率。

Comments Accepted by the IEEE Symposium on Security and Privacy (S&P) 2026

Journal ref The IEEE Symposium on Security and Privacy (S&P) 2026