AI Agent

Collaborative Belief Reasoning with LLMs for Efficient Multi-Agent Collaboration

基于LLM的协同信念推理用于高效多智能体协作

Zhimin Wang, Duo Wu, Shaokang He, Jinghe Wang, Linjia Kang, Jing Yu, Kai Zhu, Jiawei Li, Zhi Wang

机构 * Shenzhen International Graduate School, Tsinghua University（深圳国际研究生院，清华大学） ； Huawei Tenchnologies Co., Ltd.（华为技术有限公司） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 CoBel-World通过协同信念世界框架，提升LLM多智能体协作的效率和人类化表现。

SolAgent: A Specialized Multi-Agent Framework for Solidity Code Generation

SolAgent: 一种专门用于Solidity代码生成的多智能体框架

Wei Chen, Zhiyuan Peng, Xin Yin, Chao Ni, Chenhao Ying, Bang Xie, Yuan Luo

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

AI总结 SolAgent通过双循环机制和文件系统能力，在智能合约生成中实现高正确性和安全性，Pass@1率达64.39%，减少安全漏洞39.77%。

Multi-agent Coordination via Flow Matching

通过流匹配实现多智能体协调

Dongsu Lee, Daehee Lee, Amy Zhang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sungkyunkwan University（松均大学） 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 MAC-Flow通过流匹配方法实现多智能体协调，平衡了性能与计算效率，显著提升推理速度的同时保持良好表现。

Comments ICLR 2026

MiTa: A Hierarchical Multi-Agent Collaboration Framework with Memory-integrated and Task Allocation

MiTa: 一种具有内存集成和任务分配的分层多智能体协作框架

XiaoJie Zhang, JianHan Wu, Xiaoyang Qu, Jianzong Wang

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，清华大学，深圳，中国） ； Ping An Technology (Shenzhen) Co., Ltd., Shenzhen, China（平安科技（深圳）有限公司，深圳，中国） 纠错

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

AI总结 MiTa通过分层结构和内存整合提升多智能体协作效率，实现全局任务分配与片段记忆整合。

Comments Accepted to 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)

Specialists or Generalists? Multi-Agent and Single-Agent LLMs for Essay Grading

专家还是通才？多智能体与单智能体LLM用于作文评分

Jamiu Adekunle Idowu, Ahmed Almasoud

机构 * Sahel AI, Sahel Group Inc.（Sahel AI，Sahel Group Inc.） ； University College London (UCL)（University College London（UCL）） ； Prince Sultan University 纠错

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

AI总结 本文比较了多智能体与单智能体LLM在作文评分中的表现，发现多智能体系统在识别弱作文方面更优，而单智能体系统在中等质量作文上表现更好，少样本校准对性能影响显著。

Learning to Recommend Multi-Agent Subgraphs from Calling Trees

从调用树中学习推荐多智能体子图

Xinyuan Song, Liang Zhao

机构 * Department of Computer Science, Emory University, USA（计算机科学系，埃默里大学） 纠错

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

AI总结 本文提出了一种基于约束决策的多智能体推荐框架，利用历史调用树优化代理选择，支持代理级和系统级推荐。

Stablecoin Design with Adversarial-Robust Multi-Agent Systems via Trust-Weighted Signal Aggregation

通过对抗鲁棒多智能体系统进行稳定币设计：基于信任加权信号聚合

Shengwei You, Aditya Joshi, Andrey Kuehlkamp, Jarek Nabrzyski

机构 * University of Notre Dame（诺丁汉大学） 纠错

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

AI总结 MVF-Composer通过多智能体模拟和信任加权信号聚合，提升稳定币在对抗性压力下的稳定性，减少汇率偏离和恢复时间。

Self-Improvement of Language Models by Post-Training on Multi-Agent Debate

通过多智能体辩论进行语言模型的自改进

Ankur Samanta, Akshayaa Magesh, Runzhe Wu, Ayush Jain, Youliang Yu, Daniel Jiang, Boris Vidolov, Paul Sajda, Yonathan Efroni, Kaveh Hassani

机构 * Meta AI ； Columbia University（哥伦比亚大学） ； Meta Superintelligence Labs（Meta超智能实验室） 纠错

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

AI总结 通过多智能体辩论和强化学习提升语言模型的自我改进能力，实现推理准确性、自洽性和泛化能力的提升。

Multi-Agent Systems Should be Treated as Principal-Agent Problems

多智能体系统应被视为委托-代理问题

Paulius Rauba, Simonas Cepenas, Mihaela van der Schaar

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

AI总结 本文提出将多智能体系统视为委托-代理问题，探讨信息不对称和目标不一致对系统行为的影响，并通过谋略现象分析其缓解策略。

Emergent Coordination in Multi-Agent Systems via Pressure Fields and Temporal Decay

通过压力场和时间衰减实现多智能体系统中的涌现协调

Roland Rodriguez

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

AI总结 该研究提出通过压力场和时间衰减实现多智能体系统的隐式协调，优于传统显式控制方法，提升了任务解决效率。

Comments 64 pages, 5 figures, 12 tables. Code available at https://github.com/Govcraft/pressure-field-experiment

astra-langchain4j: Experiences Combining LLMs and Agent Programming

astra-langchain4j: 结合大语言模型与代理编程的经验

Rem Collier, Katharine Beaumont, Andrei Ciortea

机构 * School of Computer Science, University College Dublin, Ireland（都柏林大学计算机科学学院） ； School of Computer Science, University of St.Gallen, St. Gallen, Switzerland（圣加尔登大学计算机科学学院） 纠错

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

AI总结 本文介绍了将大语言模型与Astra编程语言结合的实践经验，探讨了传统代理工具包对新代理平台设计的影响。

Journal ref Proceedings of the 22nd European Conference on Multi-Agent Systems, Bucharest Romania, 2025

Preference-based opponent shaping in differentiable games

基于偏好的对手塑造在可微游戏中的应用

Xinyu Qiao, Yudong Hu, Congying Han, Weiyan Wu, Tiande Guo

机构 * University of Chinese Academy of Science（中国科学院大学） 纠错

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

AI总结 本文提出基于偏好的对手塑造方法，通过塑造智能体对合作的偏好，提升多智能体游戏中的策略学习效率和泛化能力。

Journal ref Mach Learn 114, 292 (2025)

Greedy Routing Reachability Games

贪心路由可达性游戏

Pascal Lenzner, Paraskevi Machaira

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

AI总结 本文研究了自主代理在形成贪心路由网络时的博弈模型，分析了定向和无向边两种情况下的均衡性质及计算复杂性，并展示了在二维欧几里得空间中贪心路由的近似均衡性能优于德劳内三角剖分。

NegoCollab: A Common Representation Negotiation Approach for Heterogeneous Collaborative Perception

NegoCollab: 一种用于异构协作感知的共同表示协商方法

Congzhang Shao, Quan Yuan, Guiyang Luo, Yue Hu, Danni Wang, Yilin Liu, Rui Pan, Bo Chen, Jinglin Li

专题命中 多智能体 ：agent(abstract)

AI总结 NegoCollab通过协商共同表示方法解决异构协作感知中的领域差距问题，提升多智能体协作性能。

Comments 23 pages, Accepted by NeurIPS 2025