AI Agent

ProductResearch: Training E-Commerce Deep Research Agents via Multi-Agent Synthetic Trajectory Distillation

ProductResearch: 通过多智能体合成轨迹蒸馏训练电商深度研究代理

Jiangyuan Wang, Kejun Xiao, Huaipeng Zhao, Tao Luo, Xiaoyi Zeng

机构 * Alibaba International Digital Commercial Group（阿里巴巴国际数字商业集团） 纠错

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

AI总结 ProductResearch通过多代理合成轨迹蒸馏训练电商深度研究代理，提升复杂购物查询的响应全面性和用户效用。

LumiMAS: A Comprehensive Framework for Real-Time Monitoring and Enhanced Observability in Multi-Agent Systems

LumiMAS: 多智能体系统中实时监控与增强可观测性的综合框架

Ron Solomon, Yarin Yerushalmi Levi, Lior Vaknin, Eran Aizikovich, Amit Baras, Etai Ohana, Amit Giloni, Shamik Bose, Chiara Picardi, Yuval Elovici, Asaf Shabtai

机构 * Ben-Gurion University of the Negev（贝内杰尔大学） ； Fujitsu Research of Europe（富士通欧洲研究） 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 LumiMAS通过三个核心层实现多智能体系统的实时监控与异常检测，有效提升故障分类和根本原因分析能力。

MACD: Multi-Agent Clinical Diagnosis with Self-Learned Knowledge for LLM

MACD: 基于自学习知识的多智能体临床诊断

Wenliang Li, Rui Yan, Xu Zhang, Li Chen, Hongji Zhu, Jing Zhao, Junjun Li, Mengru Li, Wei Cao, Zihang Jiang, Wei Wei, Kun Zhang, Shaohua Kevin Zhou

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

AI总结 MACD通过多智能体框架实现LLM自学习临床知识，提升诊断准确率，与医生单独诊断相比表现更优，展示人机协作的协同潜力。

Scaling Lifelong Multi-Agent Path Finding to More Realistic Settings: Research Challenges and Opportunities

将终身多智能体路径寻找扩展到更现实的场景：研究挑战与机遇

He Jiang, Yulun Zhang, Rishi Veerapaneni, Jiaoyang Li

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

AI总结 本文探讨了将终身多智能体路径寻找扩展到现实场景中的三个研究挑战及未来发展方向。

Comments Accepted to Symposium on Combinatorial Search (SoCS), 2024

Heterogeneous Multi-Agent Reinforcement Learning with Attention for Cooperative and Scalable Feature Transformation

异构多智能体强化学习与注意力机制用于协作和可扩展的特征转换

Tao Zhe, Huazhen Fang, Kunpeng Liu, Qian Lou, Tamzidul Hoque, Dongjie Wang

机构 * University of Kansas（堪萨斯大学） ； Michigan State University（密歇根州立大学） ； Clemson University（克莱姆森大学） ； University of Central Florida（佛罗里达中央大学） 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 本文提出异构多智能体强化学习框架，通过注意力机制实现高效、可扩展的特征转换，提升下游任务性能。

Comments Accepted at KDD 2026 Research Track

RUMAD: Reinforcement-Unifying Multi-Agent Debate

RUMAD：强化统一多智能体辩论

Chao Wang, Han Lin, Huaze Tang, Huijing Lin, Wenbo Ding

机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 RUMAD通过强化学习动态控制通信拓扑，提升多智能体辩论的效率和准确性，实现80%以上的token成本降低和跨域泛化能力。

Comments 13 pages, 3 figures

QD-MAPPER: A Quality Diversity Framework to Automatically Evaluate Multi-Agent Path Finding Algorithms in Diverse Maps

QD-MAPPER: 一种用于在多样化地图上自动评估多智能体路径寻找算法的质量多样性框架

Cheng Qian, Yulun Zhang, Varun Bhatt, Matthew Christopher Fontaine, Stefanos Nikolaidis, Jiaoyang Li

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学） 纠错

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

AI总结 QD-MAPPER是一种基于质量多样性算法的框架，用于在多样化地图上自动评估多智能体路径寻找算法的性能，通过生成多样化地图实现对不同算法的公平比较和性能分析。

Comments 14 pages, 23 figures

Guidance Graph Optimization for Lifelong Multi-Agent Path Finding

为终身多智能体路径寻找设计的引导图优化

Yulun Zhang, He Jiang, Varun Bhatt, Stefanos Nikolaidis, Jiaoyang Li

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

AI总结 本文提出引导图优化方法，用于自动为终身多智能体路径寻找生成高效引导，提升算法吞吐量。

Comments Accepted to International Joint Conference on Artificial Intelligence (IJCAI), 2024

Scalable Mechanism Design for Multi-Agent Path Finding

可扩展的多智能体路径寻找机制设计

Paul Friedrich, Yulun Zhang, Michael Curry, Ludwig Dierks, Stephen McAleer, Jiaoyang Li, Tuomas Sandholm, Sven Seuken

机构 * ETH AI Center（瑞士联邦理工学院人工智能中心） ； University of Zurich（苏黎世大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Optimized Markets, Strategy Robot, Strategic Machine（优化市场、策略机器人、战略机器） 纠错

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

AI总结 本文提出三种可扩展的多智能体路径寻找机制设计方法，通过策略证明机制和近似算法提升路径规划的福利效果。

Comments 12 pages, 5 figures. IJCAI'24 camera-ready version

Sharing is caring: data sharing in multi-agent supply chains

共享即关怀：多智能体供应链中的数据共享

Wan Wang, Haiyan Wang, Adam Sobey

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

AI总结 本文提出了一种多智能体供应链系统，通过工厂智能体分享信息提升系统性能，尤其在合作奖励塑造下，实验证明说谎和说实话在不同需求场景下对整体系统有不同贡献。

TSC: Topology-Conditioned Stackelberg Coordination for Multi-Agent Reinforcement Learning in Interactive Driving

TSC：基于拓扑条件的Stackelberg协调用于交互驾驶中的多智能体强化学习

Xiaotong Zhang, Gang Xiong, Yuanjing Wang, Siyu Teng, Alois Knoll, Long Chen

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Department of Natural Sciences, University of Durham（达勒姆大学自然科学系） ； College of Civil and Transportation Engineering, Shenzhen University（深圳大学土木与交通工程学院） ； Chair of Robotics, Artificial Intelligence and Realtime Systems, Technical University of Munich（慕尼黑技术大学机器人、人工智能与实时系统教授职位） 纠错

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

AI总结 TSC通过拓扑条件的Stackelberg协调方法，在无通信执行下实现密集交通中的去中心化多智能体强化学习，提升训练稳定性和安全性。

Comments 12 pages, 8 figures

Online Guidance Graph Optimization for Lifelong Multi-Agent Path Finding

在线指导图优化用于终身多智能体路径寻找

Hongzhi Zang, Yulun Zhang, He Jiang, Zhe Chen, Daniel Harabor, Peter J. Stuckey, Jiaoyang Li

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

AI总结 本文提出通过优化策略提升PIBT算法的解决方案质量，解决终身多智能体路径寻找问题，并探索任务分配随时间变化的场景。

Comments 8 pages for the main text, 2 pages for reference and acknowledgement, 5 pages for appendix. 11 figures in total

Artificial Agency Program: Curiosity, compression, and communication in agents

人工代理计划：代理中的好奇心、压缩与交流

Richard Csaky

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

AI总结 本文提出人工代理计划，旨在通过整合好奇心、压缩与交流机制，构建资源受限的AI代理系统，以提升感知、理解和行动能力并减少人机交互摩擦。

Comments This is a working draft. Feedback and criticism is most welcome

Conformalized Neural Networks for Federated Uncertainty Quantification under Dual Heterogeneity

符合化神经网络用于双异质性下的联邦不确定性量化

Quang-Huy Nguyen, Jiaqi Wang, Wei-Shinn Ku

机构 * Department of Computer Science and Software Engineering, Auburn University（计算机科学与软件工程系，阿伯茨海姆大学） 纠错

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

AI总结 FedWQ-CP是一种用于双异质性下的联邦不确定性量化的神经网络方法，通过单次通信轮次实现代理与服务器的校准，有效平衡覆盖性能与效率。

Reinforcement-Learned Unequal Error Protection for Quantized Semantic Embeddings

强化学习的非等误差保护用于量化语义嵌入

Moirangthem Tiken Singh, Adnan Arif

机构 * Department of Computer Science and Engineering, Dibrugarh University Institute of Engineering and Technology（计算机科学与工程系，迪布加尔大学工程与技术学院） 纠错

专题命中 多智能体 ：agent(abstract)；分类 cs.LG

AI总结 本文提出基于强化学习的非等误差保护方法，通过自适应重复编码实现细粒度语义保护，提升语义相似性和实体保留度。

Journal ref Array (2006)

COOPERTRIM: Adaptive Data Selection for Uncertainty-Aware Cooperative Perception

COOPERTRIM: 适应性数据选择用于不确定性感知的协作感知

Shilpa Mukhopadhyay, Amit Roy-Chowdhury, Hang Qiu

机构 * University of California, Riverside（加州大学河滨分校） ； New Jersey Institute of Technology（新泽西理工学院） 纠错

专题命中 多智能体 ：autonomous agent(abstract)

AI总结 COOPERTRIM通过引入时间不确定性度量和数据驱动机制，实现动态适应性数据选择，有效降低协作感知的带宽需求并提升检测精度。

Comments Accepted in ICLR 2026