AI Agent

XAgen: An Explainability Tool for Identifying and Correcting Failures in Multi-Agent Workflows

XAgen：一种用于识别和纠正多智能体工作流程中故障的可解释性工具

Xinru Wang, Ming Yin, Eunyee Koh, Mustafa Doga Dogan

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

AI总结 XAgen是一种通过日志可视化、人机协同反馈和自动错误检测来帮助用户识别和纠正多智能体工作流程中故障的可解释性工具，提升了智能体AI的可解释性和调试效率。

From Threat Intelligence to Firewall Rules: Semantic Relations in Hybrid AI Agent and Expert System Architectures

从威胁情报到防火墙规则：混合AI代理和专家系统架构中的语义关系

Chiara Bonfanti, Davide Colaiacomo, Luca Cagliero, Cataldo Basile

机构 * Department of Control and Computer Engineering（控制与计算机工程系） 纠错

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

AI总结 本文提出利用语义关系从威胁情报中提取信息，通过神经符号方法生成防火墙规则以缓解网络威胁。

A Multi-Agent Framework for Interpreting Multivariate Physiological Time Series

多智能体框架用于解释多变量生理时间序列

Davide Gabrielli, Paola Velardi, Stefano Faralli, Bardh Prenkaj

机构 * Sapienza University of Rome Rome Italy ； ISTC-CNR \& Sapienza University of Rome Rome Italy ； Technical University of Munich Munich Germany ； Sapienza University of Rome ； ISTC-CNR \& Sapienza University of Rome ； Technical University of Munich 纠错

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

AI总结 本研究提出Vivaldi多智能体框架，通过对比不同模型表现，发现智能体系统在非思考模型中提升解释质量，但在思考模型中反而降低相关性，强调了计算外部化在医疗AI中的重要性。

MACC: Multi-Agent Collaborative Competition for Scientific Exploration

MACC：多智能体协作竞争用于科学探索

Satoshi Oyama, Yuko Sakurai, Hisashi Kashima

机构 * Nagoya City University（名古屋市大学） ； Nagoya Institute of Technology（名古屋技术大学） ； Kyoto University（京都大学） 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 MACC是一种机构架构，通过整合共享工作空间和激励机制，促进多智能体在科学探索中的协作与竞争，以提高探索的可扩展性和可靠性。

Comments Camera-ready version. To appear in the Proceedings of AAMAS 2026 (Blue Sky Ideas Track)

Multi-Agent-Based Simulation of Archaeological Mobility in Uneven Landscapes

基于多智能体的考古移动性在不规则地形中的模拟

Chairi Kiourt, Vassilis Evangelidis, Dimitris Grigoropoulos

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

AI总结 本文提出了一种多智能体建模框架，用于模拟不规则地形中的考古移动性，通过强化学习实现高效动态适应，展示了地形感知追捕和运输分析的应用。

Learning to Generate and Extract: A Multi-Agent Collaboration Framework For Zero-shot Document-level Event Arguments Extraction

学习生成与提取：一种多智能体协作框架用于零样本文档级事件论证提取

Guangjun Zhang, Hu Zhang, Yazhou Han, Yue Fan, Yuhang Shao, Ru Li, Hongye Tan

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

AI总结 本文提出多智能体协作框架，通过生成与评估代理协同提升零样本文档级事件论证提取的性能与数据质量。

Comments Accepted by AAAI 2026

Cognition to Control - Multi-Agent Learning for Human-Humanoid Collaborative Transport

认知到控制 - 多智能体学习用于人-仿人协作运输

Hao Zhang, Ding Zhao, H. Eric Tseng

机构 * Department of Electrical Engineering, the University of Texas at Arlington（电气工程系，德克萨斯大学阿灵顿分校） ； Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学） 纠错

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

AI总结 本研究提出认知到控制框架，通过多智能体强化学习实现人-仿人协作运输中的持续推理与稳定控制。

SEVADE: Self-Evolving Multi-Agent Analysis with Decoupled Evaluation for Hallucination-Resistant Irony Detection

SEVADE：基于解耦评估的自演化多智能体分析用于抗幻觉讽刺检测

Ziqi Liu, Ziyang Zhou, Yilin Li, Mingxuan Hu, Yushan Pan, Zhijie Xu, Yangbin Chen

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

AI总结 SEVADE通过自演化多智能体分析框架，结合解耦评估机制，提升抗幻觉讽刺检测的准确率和宏F1分数。

Multi-Agent Influence Diagrams to Hybrid Threat Modeling

多智能体影响图用于混合威胁建模

Maarten C. Vonk, Anna V. Kononova, Thomas Bäck, Tim Sweijs

机构 * The Hague Centre of Strategic Studies（海牙战略研究中心） ； LIACS ； Leiden University（莱顿大学） 纠错

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

AI总结 本文提出利用多智能体影响图框架统一混合威胁建模方法，通过模拟攻击与防御智能体的互动评估五种反混合威胁措施的有效性及参数影响。

Comments The Journal of Defense Modeling and Simulation: Applications, Methodology, Technology. 2025;0(0)

Agile Flight Emerges from Multi-Agent Competitive Racing

敏捷飞行源于多智能体竞速

Vineet Pasumarti, Lorenzo Bianchi, Antonio Loquercio

机构 * University of Rome Tor Vergata（罗马大学Tor Vergata） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 本研究通过多智能体竞争训练，发现稀疏奖励足以让智能体实现现实中的敏捷飞行和策略控制。

Greedy-based Value Representation for Optimal Coordination in Multi-agent Reinforcement Learning

基于贪心的值表示用于多智能体强化学习中的最优协调

Lipeng Wan, Zeyang Liu, Xingyu Chen, Han Wang, Xuguang Lan

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

AI总结 本文提出基于贪心的值表示方法，通过目标塑造和经验回放确保多智能体强化学习中的最优一致性，提升协调性能。

Comments Duplicate submission of arXiv:2211.12075

An LLM Agentic Approach for Legal-Critical Software: A Case Study for Tax Prep Software

一种针对法律关键软件的LLM代理方法：以税务准备软件为例

Sina Gogani-Khiabani, Ashutosh Trivedi, Diptikalyan Saha, Saeid Tizpaz-Niari

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Colorado Boulder（科罗拉多大学波德分校） ； IBM Research（IBM研究院） 纠错

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

AI总结 本文提出一种基于LLM的代理方法，用于开发法律关键软件，通过税务准备软件案例研究，展示了如何利用多代理系统和元测试技术提升法律规范到可执行代码的可靠性。

Comments To appear at ICSE 26. 12 pages

Low-Altitude Agentic Networks for Optical Wireless Communication and Sensing: An Oceanic Scenario

低空代理网络用于光无线通信与传感：海洋场景

Tianqi Mao, Jiayue Liu, Zeping Sui, Leyu Cao, Xiao Liang, Dezhi Zheng, Zhaocheng Wang

专题命中 多智能体 ：agentic(title)；planning(abstract)

AI总结 本文提出了一种低空代理网络，用于实现跨水下、空气和近空间的光学无线通信与传感，以解决海洋应用中的宽带连接问题。

When Your Own Output Becomes Your Training Data: Noise-to-Meaning Loops and a Formal RSI Trigger

当你的输出成为你的训练数据：噪声到意义的循环及形式RSI触发

Rintaro Ando

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

AI总结 本文提出N2M-RSI模型，展示AI代理通过自反馈和信息整合阈值可无限增加内部复杂性，并探讨了代理群交互的超线性效应。

Comments Withdrawn due to a critical error discovered in the mathematical derivation and proof of Theorem 2 (Unbounded Growth) and related Lemma 2 (Compression gain lower bound). This flaw invalidates the paper's main conclusion that N2M-RSI guarantees unbounded growth, requiring a fundamental revision of the theoretical framework

Maximin Share Guarantees via Limited Cost-Sensitive Sharing

通过有限成本敏感分享实现最大最小份额保证

Hana Salavcova, Martin Černý, Arpita Biswas

机构 * Charles University（查尔斯大学） ； Rutgers University（罗格斯大学） 纠错

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

AI总结 本文通过有限成本敏感共享方法，实现最大最小份额分配的公平性保证，并引入共享最大最小份额概念，提供理论支持和近似保证。

Comments In Proc. of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026), Paphos, Cyprus, May 25 - 29, 2026, IFAAMAS, 11 pages

MAGE: Meta-Reinforcement Learning for Language Agents toward Strategic Exploration and Exploitation

MAGE：面向战略探索与利用的语言智能体元强化学习

Lu Yang, Zelai Xu, Minyang Xie, Jiaxuan Gao, Zhao Shok, Yu Wang, Yi Wu

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 MAGE通过元强化学习框架提升语言智能体在战略探索与利用中的性能，结合多回合训练与种群训练技术实现稳定学习和泛化能力。