AI Agent

DeepTravel: An End-to-End Agentic Reinforcement Learning Framework for Autonomous Travel Planning Agents

深度旅行：用于自主旅行规划智能体的端到端智能强化学习框架

Yansong Ning, Rui Liu, Jun Wang, Kai Chen, Wei Li, Jun Fang, Kan Zheng, Naiqiang Tan, Hao Liu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Didichuxing Co. Ltd（滴滴出行有限公司） 纠错

专题命中 规划决策 ：planning(title,abstract)；agentic(title,abstract)；agent(abstract)；workflow(abstract)

AI总结 研究针对旅行规划智能体灵活性和自主性不足问题，提出深度旅行框架，通过构建旅行沙盒、开发分层奖励建模系统及回复增强强化学习方法，使训练后的智能体在行程生成准确率和性能上表现出色。

Comments KDD 2026

Beyond the Leaderboard: A Synthesis of Tool-Use, Planning, and Reasoning Failures in Large Language Model Agents

超越排行榜：大语言模型智能体中工具使用、规划和推理失败的综合分析

Wael Albayaydh, Rui Zhao, Ivan Flechais

机构 * University of Oxford（牛津大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；tool-use(title)；agent(abstract)；tool use(abstract)

AI总结 本文综合多篇论文形成大语言模型智能体局限性交叉分类法，识别出六个失败集群，通过迭代分组得出分类法，发现失败与任务长度非线性相关，单个子任务性能不能保证端到端成功，额外脚手架效果不佳，同时在部分任务上有进展。

Comments 16 pages, 3 tables, 1 figure

HIPIF: Hierarchical Planning and Information Folding for Long-Horizon LLM Agent Learning

HIPIF: 面向长视界LLM智能体学习的层次化规划与信息折叠

Juncheng Diao, Zhicong Lu, Peiguang Li, Yongwei Zhou, Changyuan Tian, Qingbin Li, Rongxiang Weng, Jingang Wang, Xunliang Cai

机构 * Meituan（美团） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 规划决策 ：agent(title,abstract)；planning(title,abstract)；autonomous agent(abstract)；agentic(abstract)

AI总结 提出层次化规划与信息折叠方法，通过子目标分解和历史折叠减少长上下文干扰，结合层次化反思和子目标过程奖励，提升LLM在多轮长视界任务中的表现。

Toward a Modular Architecture for Embedded AI Agent Systems at the Edge

面向边缘嵌入式AI智能体系统的模块化架构

Marcus Rüb, Michael Gerhards

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 规划决策 ：agent(title,abstract)；AI agent(title)；tool use(abstract)；planning(abstract)

AI总结 提出一种模块化参考架构，通过分层设计解耦设备端和云端智能体，并引入治理层，解决嵌入式微控制器上部署自主AI的严格资源约束问题。

Agent Name Service (ANS): A Proof-of-Concept Trust Layer for Secure AI Agent Discovery, Identity, and Governance in Kubernetes

代理名称服务（ANS）：一种用于安全AI代理发现、身份验证和治理的Kubernetes信任层证明概念

Akshay Mittal, Elyson De La Cruz

机构 * Department of Information Technology University of the Cumberlands（信息科技系 哥伦比亚大学） 纠错

专题命中 规划决策 ：agent(title,abstract)；AI agent(title,abstract)；workflow(abstract)；multi-agent(abstract)

AI总结 本文提出一种基于ANS协议的证明概念，通过DIDs、VCs和OPA实现安全AI代理发现与治理，展示在Kubernetes中的实现效果与局限性。

Comments 9 pages, 2 figures

Towards Context-Aware Image Anonymization with Multi-Agent Reasoning

面向多智能体推理的上下文感知图像匿名化

Robert Aufschläger, Jakob Folz, Gautam Savaliya, Manjitha D Vidanalage, Michael Heigl, Martin Schramm

机构 * Deggendorf Institute of Technology（代根多夫应用技术大学） 纠错

专题命中 规划决策 ：agent(title,abstract)；multi-agent(title,abstract)；workflow(abstract)；agentic(abstract)

AI总结 本文提出CAIAMAR框架，通过多智能体推理和扩散匿名化技术，实现上下文感知的PII分割，减少重识别风险并提升图像质量。

Comments Accepted to IEEE CVPR 2026 GRAIL-V Workshop

OmniRAG-Agent: Agentic Omnimodal Reasoning for Low-Resource Long Audio-Video Question Answering

OmniRAG-Agent：面向低资源长音频视频的代理多模态推理

Yifan Zhu, Xinyu Mu, Tao Feng, Zhonghong Ou, Yuning Gong, Haoran Luo

专题命中 规划决策 ：agent(title,abstract)；agentic(title,abstract)；tool use(abstract)；planning(abstract)

AI总结 本文提出OmniRAG-Agent，通过构建图像音频检索增强生成模块和代理循环，解决低资源长音频视频问答中的高成本编码、弱细粒度检索等问题，实验表明其在低资源环境下表现优异。

FinAgent: An Agentic AI Framework Integrating Personal Finance and Nutrition Planning

FinAgent：整合个人财务与营养规划的智能框架

Toqeer Ali Syed, Abdulaziz Alshahrani, Ali Ullah, Ali Akarma, Sohail Khan, Muhammad Nauman, Salman Jan

机构 * Faculty of Computer and Information System, Islamic University of Madinah, Saudi Arabia（麦加伊斯兰大学计算机与信息学院） ； Department of Computer Science, Effat College of Engineering, Effat University, Saudi Arabia（Effat大学工程学院计算机科学系） ； Arab Open University, Bahrain（巴林开放大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；agentic(title,abstract)；agent(abstract)；multi-agent(abstract)

AI总结 本文提出一种价格敏感型智能系统，结合个人财务管理与饮食优化，通过模块化多智能体架构实现营养充足且价格合理的饮食计划，实验显示可减少12-18%的开支并提高营养充足率。

Comments This paper was presented at the IEEE International Conference on Computing and Applications (ICCA 2025), Bahrain

Journal ref Proceedings of the 2025 IEEE International Conference on Computing and Applications (ICCA), Bahrain, 2025, pp. 1-7

Position: The Real Barrier to LLM Agent Usability is Agentic ROI

位置：LLM代理可用性的真正障碍是代理的ROI

Weiwen Liu, Jiarui Qin, Xu Huang, Xingshan Zeng, Yunjia Xi, Jianghao Lin, Chuhan Wu, Yasheng Wang, Lifeng Shang, Ruiming Tang, Defu Lian, Yong Yu, Weinan Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 规划决策 ：agent(title,abstract)；agentic(title,abstract)；autonomous agent(abstract)；planning(abstract)

AI总结 本文提出LLM代理可用性的核心问题在于其投资回报率，主张通过Z字型发展路径提升其在日常应用中的可用性和可扩展性。

EpiPlanAgent: Agentic Automated Epidemic Response Planning

EpiPlanAgent：基于代理的自动化疫情响应规划

Kangkun Mao, Fang Xu, Jinru Ding, Yidong Jiang, Yujun Yao, Yirong Chen, Junming Liu, Xiaoqin Wu, Qian Wu, Xiaoyan Huang, Jie Xu

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Center For Disease Control and Prevention（上海市疾病预防控制中心） 纠错

专题命中 规划决策 ：planning(title,abstract)；agentic(title,abstract)；agent(abstract)；multi-agent(abstract)

AI总结 EpiPlanAgent利用大语言模型和多代理框架，实现自动化疫情响应规划，显著提升计划完整性并减少开发时间。

Improving Planning with Large Language Models: A Modular Agentic Architecture

Taylor Webb, Shanka Subhra Mondal, Ida Momennejad

机构 * Princeton University（普林斯顿大学） ； Microsoft Research（微软研究院） 纠错

专题命中 规划决策 ：planning(title,abstract)；agentic(title,abstract)；agent(abstract)；multi-agent(abstract)

MedAgent-Pro: Towards Evidence-based Multi-modal Medical Diagnosis via Reasoning Agentic Workflow

Ziyue Wang, Junde Wu, Linghan Cai, Chang Han Low, Xihong Yang, Qiaxuan Li, Yueming Jin

机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； National University of Defense Technology（国防科技大学） ； The Second Affiliated Hospital Zhejiang University School of Medicine（浙江大学医学院附属第二医院） 纠错

专题命中 规划决策 ：workflow(title,abstract)；agentic(title,abstract)；agent(abstract)；planning(abstract)

Towards user-centered interactive medical image segmentation in VR with an assistive AI agent

Pascal Spiegler, Arash Harirpoush, Yiming Xiao

专题命中 规划决策 ：agent(title,abstract)；AI agent(title,abstract)；planning(abstract)；workflow(abstract)

EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents

Zihao Zhu, Bingzhe Wu, Zhengyou Zhang, Lei Han, Qingshan Liu, Baoyuan Wu

专题命中 规划决策 ：AI agent(title,abstract)；planning(title,abstract)；agent(abstract)；multi-agent(abstract)

FM-Agent: Scaling Formal Methods to Large Systems via LLM-Based Hoare-Style Reasoning

FM-Agent: 通过基于LLM的Hoare风格推理将形式化方法扩展到大型系统

Haoran Ding, Zhaoguo Wang, Haibo Chen

机构 * Institute of Parallel and Distributed Systems, Shanghai Jiao Tong University（并行与分布式系统研究所，上海交通大学） 纠错

专题命中 规划决策 ：agent(title,title_cn)；分类 cs.AI、cs.SE

AI总结 提出FM-Agent框架，利用LLM自动生成函数级规范，实现大型系统的组合式推理，在143k行代码的系统中2天内发现522个新bug。

2-Step Agent: A Framework for the Interaction of a Decision Maker with AI Decision Support

2-Step Agent: 一个用于决策者与AI决策支持交互的框架

Otto Nyberg, Fausto Carcassi, Davide Tugnoli, Giovanni Cinà

机构 * Department of Medical Informatics, Amsterdam UMC University of Amsterdam（医学信息学系，阿姆斯特丹大学医学中心，阿姆斯特丹大学） ； Institute for Logic, Language and Computation, University of Amsterdam（逻辑、语言和计算研究所，阿姆斯特丹大学） ； Department of Mathematics and Earth Sciences, University of Trieste（数学与地球科学系，特里埃斯特大学） 纠错

专题命中 规划决策 ：agent(title,title_cn)；分类 cs.AI、cs.LG

AI总结 本文提出2-Step Agent框架，用于研究决策者如何学习和利用基于机器学习的决策支持，并揭示了即使在理想条件下，ML-DS也可能导致更严重的负面影响。

Comments 17 pages, 17 figures

AMA-Bench: Evaluating Long-Horizon Memory for Agentic Applications

AMA-Bench：评估智能体应用的长时记忆

Yujie Zhao, Boqin Yuan, Junbo Huang, Haocheng Yuan, Zhongming Yu, Haozhou Xu, Lanxiang Hu, Abhilash Shankarampeta, Zimeng Huang, Wentao Ni, Yuandong Tian, Jishen Zhao

机构 * UCSD（加州大学圣塔克拉拉分校） ； Recursive 纠错

专题命中 规划决策 ：agent(summary_cn,abstract)；agentic(title,abstract)；autonomous agent(abstract)；分类 cs.AI、cs.LG

AI总结 提出AMA-Bench基准，通过真实与合成轨迹评估LLM智能体的长时记忆，并基于因果图与工具增强检索提出AMA-Agent系统，在基准上提升11.16%准确率。

Agentic-VLA: Efficient Online Adaptation for Vision-Language-Action Models

Agentic-VLA：视觉-语言-动作模型的高效在线自适应

Ruofan Jin, Zaixi Zhang

机构 * Ruofan Jin（金鲁凡） ； Zaixi Zhang（张在西） 纠错

专题命中 规划决策 ：agentic(title,title_cn)；分类 cs.AI、cs.LG

AI总结 提出Agentic-VLA框架，通过自适应奖励合成、语言引导探索和经验记忆三大创新，实现VLA模型在线高效自适应，在LIBERO基准上长时域任务提升12.3%，单样本学习提升28.5%，并实现零演示跨任务迁移。

Comments Total 15 pages

Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

代理检索增强生成：关于代理RAG的综述

Aditi Singh, Abul Ehtesham, Saket Kumar, Tala Talaei Khoei, Athanasios V. Vasilakos

机构 * Cleveland State University（克利夫兰州立大学） ； Kent State University（肯特州立大学） ； Northeastern University（东北大学） ； Roux Institute at Northeastern University（东北大学鲁克斯研究所） ； University of Agder (UiA)（阿格德尔大学） 纠错

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；AI agent(abstract)；tool use(abstract)

AI总结 本文综述了代理RAG系统，分析了其架构分类、设计权衡及应用，指出其在灵活性、可扩展性和上下文感知方面的优势，并探讨了未来研究方向。

Budget-Constrained Agentic Large Language Models: Intention-Based Planning for Costly Tool Use

预算约束下的代理型大语言模型：基于意图的规划以应对昂贵的工具使用

Hanbing Liu, Chunhao Tian, Nan An, Ziyuan Wang, Pinyan Lu, Changyuan Yu, Qi Qi

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Shanghai University of Finance（上海财经大学） ； Baidu Inc.（百度公司） 纠错

专题命中 规划决策 ：planning(title,abstract)；tool use(title)；agentic(title)；分类 cs.AI、cs.LG

AI总结 本文提出INTENT框架，通过意图感知的分层世界模型，在预算约束下提升工具使用任务的成功率并保持鲁棒性。

A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System

Jiale Guo, Suizhi Huang, Mei Li, Dong Huang, Xingsheng Chen, Regina Zhang, Zhijiang Guo, Han Yu, Siu-Ming Yiu, Pietro Lio, Kwok-Yan Lam

机构 * Digital Trust Centre, Nanyang Technological University, Singapore（南洋理工大学数字信任中心） ； College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院） ； The Hong Kong University of Science and Technology, Hong Kong（香港科学与技术大学） ； School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院） ； School of Computing and Data Science, The University of Hong Kong, Hong Kong（香港大学计算与数据科学学院） ； School of Computer Science and Technology, The University of Cambridge, UK（剑桥大学计算机科学与技术学院） 纠错

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；autonomous agent(abstract)；planning(abstract)

Comments 22 pages

Co-Investigator AI: The Rise of Agentic AI for Smarter, Trustworthy AML Compliance Narratives

Prathamesh Vasudeo Naik, Naresh Kumar Dintakurthi, Zhanghao Hu, Yue Wang, Robby Qiu

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；AI agent(abstract)；autonomous agent(abstract)

Multi-Agent Motion Planning using Deep Learning for Space Applications

Kyongsik Yun, Changrak Choi, Ryan Alimo, Anthony Davis, Linda Forster, Amir Rahmani, Muhammad Adil, Ramtin Madani

专题命中 规划决策 ：planning(title,abstract)；agent(title)；multi-agent(title)；分类 cs.AI、cs.LG

Comments 2020 AIAA ASCEND

Multi-agent Motion Planning for Dense and Dynamic Environments via Deep Reinforcement Learning

Samaneh Hosseini Semnani, Hugh Liu, Michael Everett, Anton de Ruiter, Jonathan P. How

专题命中 规划决策 ：planning(title,abstract)；agent(title)；multi-agent(title)；分类 cs.AI、cs.LG

Comments IEEE Robotics and Automation Letters (2020)

Project Synapse: A Hierarchical Multi-Agent Framework with Hybrid Memory for Autonomous Resolution of Last-Mile Delivery Disruptions

Project Synapse：一种具有混合记忆的分层多智能体框架，用于自主解决最后一公里配送中断

Arin Gopalan Yadav, Varad Dherange, Kumar Shivam

机构 * Department of Computer Science Engineering（计算机科学与工程系） ； Vellore Institite of Technology University（韦洛尔理工学院） 纠错

专题命中 规划决策 ：agent(title,abstract)；multi-agent(title,abstract)；agentic(abstract)；分类 cs.AI

AI总结 Project Synapse通过混合记忆的分层多智能体框架，实现对最后一公里配送中断的自主解决，利用LangGraph管理复杂工作流，并通过基准数据集和LLM-as-a-Judge协议验证性能。

Comments We propose and evaluate a hierarchical LLM-driven multi-agent framework for adaptive disruption management in last-mile logistics, integrating planning, coordination, and natural-language reasoning. The system is validated through simulation-based experiments and qualitative analysis. Includes figures and tables. 33 pages

OTAP: Structure-Aware Optimal Transport for Evaluating Planning and Execution in Agent Trajectories

Otap：用于评估智能体轨迹中规划与执行的结构感知最优传输

Babak Barazandeh, Subhabrata Majumdar, George Michailidis

专题命中 规划决策 ：agent(title,abstract)；planning(title,abstract)；agentic(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 研究智能体轨迹评估问题，将其重新定义为执行图与有效解决方案图的距离，通过不平衡融合Gromov-Wasserstein传输问题实例化得到\otap{}分数，该分数可区分有效与无效轨迹，对保持依赖的重新排序不变且对冗余步骤有界敏感。

General Agentic Planning Through Simulative Reasoning with World Models

通过世界模型的模拟推理实现通用代理规划

Mingkai Deng, Jinyu Hou, Zhiting Hu, Eric Xing

机构 * Institute of Foundation Models (IFM)（基础模型研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； UC San Diego（南加州大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；agentic(title,abstract)；agent(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出通过模拟推理实现通用代理规划，利用世界模型进行未来状态预测，提升决策能力，通过SiRA架构在不同任务中取得更高任务完成率。

Comments Winner of Berkeley LLM Agents Hackathon (Fundamentals Track); code available at https://github.com/sailing-lab/sira

Diversity of Thought Elicits Stronger Reasoning Capabilities in Multi-Agent Debate Frameworks

思想多样性在多智能体辩论框架中增强了推理能力

Mahmood Hegazy

机构 * University of Montreal（蒙特利尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） 纠错

专题命中 规划决策 ：agent(title,abstract)；multi-agent(title,abstract)；agentic(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 研究通过多智能体辩论框架发现，思想多样性显著提升LLM推理能力，中等规模模型在GSM-8K基准测试中超越GPT-4，达到91%准确率，同时在ASDiv基准测试中创下新纪录。

Comments 11 pages, 9 figures

Journal ref Journal of Robotics and Automation Research(JRAR), Vol. 5 Issue 3, October -2024, pg. 1-10

Self-Evolving Multi-Agent Framework for Efficient Decision Making in Real-Time Strategy Scenarios

自适应演化多智能体框架用于实时战略场景中的高效决策

Li Ma, Hao Peng, Yiming Wang, Hongbin Luo, Jie Liu, Kongjing Gu, Guanlin Wu, Hui Lin, Lei Ren

专题命中 规划决策 ：agent(title,abstract)；multi-agent(title,abstract)；autonomous agent(abstract)；planning(abstract)

AI总结 本文提出SEMA框架，通过自适应校准模型偏差和动态观察剪枝，提升实时战略场景中的决策效率与一致性，实验显示其在StarCraft II地图上胜率更高且决策延迟降低超过50%。

Comments 17 pages, 6 figures. Submitted to SCIS (Science China Information Science)

Internalizing Multi-Agent Reasoning for Accurate and Efficient LLM-based Recommendation

内部化多智能体推理以实现准确且高效的基于LLM的推荐

Yang Wu, Haoze Wang, Qian Li, Jun Zhang, Huan Yu, Jie Jiang

专题命中 规划决策 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；agentic(abstract)

AI总结 本文提出STAR模型，通过轨迹驱动的内部化方法，将多智能体推理能力高效整合到单模型中，实现准确且高效的推荐系统。