AI Agent

The Evolution of Agentic AI in Cybersecurity: From Single LLM Reasoners to Multi-Agent Systems and Autonomous Pipelines

代理AI在网络安全中的演变：从单一LLM推理者到多代理系统和自主流水线

Vaishali Vinay

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

AI总结 本文探讨了网络安全中代理AI从单一LLM到多代理系统的发展，分析了五代分类法及各代在推理深度、工具使用等维度的差异，并总结了当前面临的挑战。

Comments Accepted at ICAIC 2026

ARCANE: A Multi-Agent Framework for Interpretable and Configurable Alignment

ARCANE：一种多智能体框架，用于可解释和可配置的对齐

Charlie Masters, Marta Grześkiewicz, Stefano V. Albrecht

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

AI总结 ARCANE是一种多智能体框架，通过动态规则生成实现可解释和可配置的对齐，适用于复杂长期任务。

Comments Accepted to the AAAI 2026 LLAMAS Workshop (Large Language Model Agents for Multi-Agent Systems)

A Knowledge-Based Language Model: Deducing Grammatical Knowledge in a Multi-Agent Language Acquisition Simulation

基于知识的语言模型：多智能体语言习得模拟中的语法知识推导

David Ph. Shakouri, Crit Cremers, Niels O. Schiller

机构 * Leiden University Centre for Linguistics (LUCL), Leiden University, the Netherlands（莱顿大学语言学中心（LUCL）、莱顿大学、荷兰） ； Leiden Institute for Brain and Cognition (LIBC), Leiden University, the Netherlands（莱顿脑与认知研究所（LIBC）、莱顿大学、荷兰） ； City University of Hong Kong (CityU), Hong Kong（香港城市大学（CityU）、香港） 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 MODOMA系统通过多智能体模拟实现了基于知识的语言模型，展示了儿童智能体在不同示例数据下习得语法类别的能力。

Comments 23 pages, 7 figures, 11 tables. Related work: arXiv:2503.18702. This is the peer-reviewed publisher's version, downloadable from: https://www.clinjournal.org/clinj/article/view/193

Journal ref Computational Linguistics in the Netherlands Journal, 14, 167-189 (2025)

HiveMind: Contribution-Guided Online Prompt Optimization of LLM Multi-Agent Systems

HiveMind: 基于贡献的LLM多智能体系统的在线提示优化

Yihan Xia, Taotao Wang, Shengli Zhang, Zhangyuhua Weng, Bin Cao, Soung Chang Liew

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

AI总结 HiveMind通过基于贡献的在线提示优化，提升LLM多智能体协作效率，利用DAG-Shapley算法显著降低LLM调用成本，同时保持归因准确性。

Comments This paper was accepted to AAAI2026

Beyond Prototyping: Autonomous, Enterprise-Grade Frontend Development from Pixel to Production via a Specialized Multi-Agent Framework

超越原型：通过专用多智能体框架实现从像素到生产的自主企业级前端开发

Ramprasath Ganesaraja, Swathika N, Saravanan AP, Kamalkumar Rathinasamy, Chetana Amancharla, Rahul Das, Sahil Dilip Panse, Aditya Batwe, Dileep Vijayan, Veena Ashok, Thanushree A P, Kausthubh J Rao, Alden Olivero, Roshan, Rajeshwar Reddy Manthena, Asmitha Yuga Sre A, Harsh Tripathi, Suganya Selvaraj, Vito Chin, Kasthuri Rangan Bhaskar, Kasthuri Rangan Bhaskar, Venkatraman R, Sajit Vijayakumar

机构 * EdgeVerve Systems Limited（EdgeVerve系统有限公司） ； Infosys Limited（Infosys有限公司） ； Microsoft Corporation（微软公司） ； BCT Digital（BCT数字） 纠错

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

AI总结 AI4UI通过专用多智能体框架实现自主企业级前端开发，提升从像素到生产的效率与质量。

Comments 17 pages, 9 figures

Large Language Models Miss the Multi-Agent Mark

大语言模型错失多智能体标记

Emanuele La Malfa, Gabriele La Malfa, Samuele Marro, Jie M. Zhang, Elizabeth Black, Michael Luck, Philip Torr, Michael Wooldridge

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Informatics, King’s College London（伦敦国王学院信息学院） ； Department of Engineering, University of Oxford（牛津大学工程系） ； University of Sussex（苏塞克斯大学） 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 本文指出大语言模型多智能体系统在理论与实践间的差距，强调需整合MAS核心概念以避免误解和错失机会。

Comments NeurIPS 2025 - position track -

AgenticCyber: A GenAI-Powered Multi-Agent System for Multimodal Threat Detection and Adaptive Response in Cybersecurity

AgenticCyber: 一种基于生成式AI的多智能体系统，用于多模态威胁检测与自适应响应在网络安全中

Shovan Roy

机构 * TNTech 纠错

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

AI总结 AgenticCyber通过生成式AI驱动的多智能体系统，实现多模态威胁检测与自适应响应，提升网络安全性能和态势感知能力。

Comments 6 pages for IEEE conference

Analyzing Collision Rates in Large-Scale Mixed Traffic Control via Multi-Agent Reinforcement Learning

通过多智能体强化学习分析大规模混合交通控制中的碰撞率

Muyang Fan

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

AI总结 本研究通过多智能体强化学习分析大规模混合交通控制中的碰撞率影响因素，探讨交通密度、信号协调和转向策略对碰撞风险的作用，为提升交通系统安全性和效率提供理论支持。

Scale-free weak output synchronization of multi-agent systems with adaptive protocols

无标度弱输出同步的多智能体系统自适应协议

Anton A. Stoorvogel, Ali Saberi, Zhenwei Liu, Qiaofeng Wen

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

AI总结 本文提出了一种自适应协议，用于实现多智能体系统的无标度弱输出同步，适用于有向生成树和非生成树网络结构。

Comments This paper was submitted to European Journal of Control on December 1st, 2025

Utilizing Multi-Agent Reinforcement Learning with Encoder-Decoder Architecture Agents to Identify Optimal Resection Location in Glioblastoma Multiforme Patients

利用基于编码器-解码器架构的多智能体强化学习识别胶母细胞瘤患者的最优切除位置

Krishna Arun, Moinak Bhattachrya, Paras Goel

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

AI总结 本研究利用多智能体强化学习与编码器-解码器架构，通过诊断和治疗计划优化，提高胶母细胞瘤患者生存率。

Reliable agent engineering should integrate machine-compatible organizational principles

可靠代理工程应整合机器兼容的组织原则

R. Patrick Xian, Garry A. Gabison, Ahmed Alaa, Christoph Riedl, Grigorios G. Chrysos

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

AI总结 本文提出三种组织原则，通过平衡代理能力与资源约束，提升AI代理的可靠性和有效性。

Comments 20 pages incl. references, comments are welcome

Convergence of Outputs When Two Large Language Models Interact in a Multi-Agentic Setup

当两个大语言模型在多智能体设置中交互时输出的收敛性

Aniruddha Maiti, Satya Nimmagadda, Kartha Veerya Jammuladinne, Niladri Sengupta, Ananya Jana

机构 * West Virginia State University（西弗吉尼亚州立大学） ； Marshall University（马歇尔大学） ； Fractal Analytics Inc.（Fractal Analytics公司） 纠错

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

AI总结 研究了两个大语言模型在多智能体环境中交互时输出的收敛现象，发现对话初期连贯但后期趋于重复，导致相似输出循环。

Comments accepted to LLM 2025

DeepAgent: A Dual Stream Multi Agent Fusion for Robust Multimodal Deepfake Detection

DeepAgent: 一种双流多智能体融合用于鲁棒多模态深度伪造检测

Sayeem Been Zaman, Wasimul Karim, Arefin Ittesafun Abian, Reem E. Mohamed, Md Rafiqul Islam, Asif Karim, Sami Azam

机构 * Applied Artificial Intelligence and Intelligent Systems (AAIINS) Laboratory（应用人工智能与智能系统实验室） ； Department of Computer Science and Engineering（计算机科学与工程系） ； University of Scholars（学者大学） ； Faculty of Science and Information Technology（科学与信息技术学院） ； Faculty of Science and Technology（科学与技术学院） 纠错

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

AI总结 DeepAgent通过双流多智能体融合方法，提升多模态深度伪造检测的鲁棒性与准确性。

Deep Neural Network-Based Aerial Transport in the Presence of Cooperative and Uncooperative UAS

基于深度神经网络的空中运输：在合作与非合作无人机存在下的应用

Muhammad Junayed Hasan Zahed, Hossein Rastgoftar

机构 * Department of Aerospace and Mechanical Engineering (AME), University of Arizona（航空航天与机械工程系，亚利桑那大学） ； Aerospace and Mechanical Engineering (AME) and Electrical and Computer Engineering (ECE) Departments, University of Arizona（航空航天与机械工程系和电气与计算机工程系，亚利桑那大学） 纠错

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

AI总结 本文提出基于深度神经网络的无人机运输框架，通过动态修剪非合作代理边和前馈指导，实现鲁棒且稳定的运输性能。

A Physics-Informed Fixed Skyroad Model for Continuous UAS Traffic Management (C-UTM)

一种融合物理信息的固定天空路模型用于连续无人机交通管理（C-UTM）

Muhammad Junayed Hasan Zahed, Hossein Rastgoftar

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

AI总结 本文提出了一种融合物理信息的固定天空路模型，用于解决低空无人机交通管理中的动态空域分配问题，通过构建多层天空路结构和连续UTM框架，提高空域利用率和安全性。

The Bennati-Dragulescu-Yakovenko model in the continuous setting: PDE derivation and long-time behavior

Bennati-Dragulescu-Yakovenko模型的连续设定：PDE推导与长时间行为

Fei Cao, Nadia Loy

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

AI总结 本文推导了Bennati-Dragulescu-Yakovenko模型的连续PDE，并证明了解的收敛性，为财富交换提供了新的PDE模型。

Comments 35 pages, 1 figure

AI-Generated Compromises for Coalition Formation: Modeling, Simulation, and a Textual Case Study

基于AI的联盟形成妥协：建模、模拟及文本案例研究

Eyal Briman, Ehud Shapiro, Nimrod Talmon

机构 * Ben-Gurion University of the Negev（贝内杰尔大学） ； Weizmann Institute of Science（魏茨曼科学研究院） 纠错

专题命中 多智能体 ：agent(abstract)；分类 cs.CL

AI总结 本文提出了一种基于AI的联盟形成模型，利用自然语言处理和大语言模型生成文本妥协点，用于协作编辑民主文档。

Comments In Proceedings TARK 2025, arXiv:2511.20540. arXiv admin note: substantial text overlap with arXiv:2506.06837

Journal ref EPTCS 437, 2025, pp. 417-432

Where to Fly, What to Send: Communication-Aware Aerial Support for Ground Robots

在哪里飞行，什么要发送：面向地面机器人的通信感知支持

Harshil Suthar, Dipankar Maity

专题命中 多智能体 ：agent(abstract)

AI总结 本文提出了一种通信感知支持框架，通过信息价值和效用评分策略，优化空中机器人在未知环境中的信息传输与探索任务。

Comments Submitted to conference

Dissipativity and L2 Stability of Large-Scale Networks with Changing Interconnections

大规模网络中连接变化的耗散性与L2稳定性

Ingyu Jang, Leila J. Bridgeman

专题命中 多智能体 ：agent(abstract)

AI总结 本文研究了大规模网络在连接变化下的耗散性与L2稳定性，通过建立切换QSR-耗散性与L2稳定性关系，提出了适用于切换互联拓扑的稳定性条件，避免了寻找共同存储函数的计算开销。

Comments Under review for IFAC 2026. 6 pages, 2 figures, 1 table