AI Agent

Multi-Agent Deep Reinforcement Learning Under Constrained Communications

在受限通信下多智能体深度强化学习

Shahil Shaik, Jonathon M. Smereka, Yue Wang

机构 * US Army CCDC Ground Vehicle Systems Center（美国陆军地面车辆系统中心） 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 本文提出了一种无需集中信息的分布式多智能体强化学习框架DG-MAPPO，通过多跳通信实现全局状态推断，有效提升了协作任务的鲁棒性和可扩展性。

Comments 21 pages, 8 figures, Under review at ICLR

Communication Methods in Multi-Agent Reinforcement Learning

多智能体强化学习中的通信方法

Christoph Wittner

机构 * Telecooperation Institute, Johannes Kepler University Linz, Austria（telecooperation研究所，约瑟夫·胡斯大学林茨，奥地利） 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 本文综述了多智能体强化学习中不同通信方法的优缺点，指出无通用最优框架，需根据具体问题选择，并强调低计算开销和现实通信条件下的鲁棒性改进的重要性。

Comments 12 pages, 2 figures

A Multi-Agent System for Generating Actionable Business Advice

生成可操作商业建议的多智能体系统

Kartikey Singh Bhandari, Tanish Jain, Archit Agrawal, Dhruv Kumar, Praveen Kumar, Pratik Narang

机构 * Birla Institute of Technology and Science, Pilani（比拉理工学院和科学学院） ； Birdeye Inc.（Birdeye公司） 纠错

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

AI总结 本文提出基于多智能体和LLM的框架，通过整合聚类、生成、迭代评估和可行性排序，生成具体且可操作的商业建议。

Semantic Caching and Intent-Driven Context Optimization for Multi-Agent Natural Language to Code Systems

语义缓存与意图驱动的上下文优化用于多智能体自然语言到代码系统

Harmohit Singh

机构 * CoreOps AI 纠错

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

AI总结 本文提出了一种多智能体系统，通过语义缓存、双阈值决策和意图驱动的提示组装，提升自然语言到代码转换的准确性和效率。

MADIAVE: Multi-Agent Debate for Implicit Attribute Value Extraction

MADIAVE：多智能体辩论用于隐式属性值提取

Wei-Chieh Huang, Cornelia Caragea

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 MADIAVE通过多智能体辩论框架提升隐式属性值提取的准确性和鲁棒性，适用于多模态电子商务场景。

Comments Accepted by EACL 2026 (Findings)

Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning

协同多智能体测试时间强化学习用于推理

Zhiyuan Hu, Yunhai Hu, Juncheng Liu, Shuyue Stella Li, Yucheng Wang, Zhen Xu, See-Kiong Ng, Anh Tuan Luu, Xinxing Xu, Bryan Hooi, Cynthia Breazeal, Hae Won Park

机构 * MIT（麻省理工学院） ； NUS（新加坡国立大学） ； NYU（纽约大学） ； Microsoft（微软） ； Columbia（哥伦比亚大学） ； NTU（国立科技大学） 纠错

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

AI总结 MATTRL通过在推理阶段注入结构化文本经验，提升多智能体在医学、数学和教育等领域的推理准确性，比多智能体基线提升3.67%，比单智能体基线提升8.67%。

Comments Work in Progress

AgenticTCAD: A LLM-based Multi-Agent Framework for Automated TCAD Code Generation and Device Optimization

AgenticTCAD: 基于LLM的多智能体框架用于自动TCAD代码生成与器件优化

Guangxi Fan, Tianliang Ma, Xuguang Sun, Xun Wang, Kain Lu Low, Leilai Shao

机构 * State Key Laboratory of Micro-nano Engineering Science（微纳工程科学国家重点实验室） ； Micro-nano Engineering Sciences Research Center（微纳工程科学研究中心） ； School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院） 纠错

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

AI总结 AgenticTCAD通过基于LLM的多智能体框架实现自动TCAD代码生成与器件优化，显著提升设计效率。

Comments Accepted by DATE 2026

Logic-Driven Semantic Communication for Resilient Multi-Agent Systems

逻辑驱动的语义通信用于鲁棒的多智能体系统

Tamara Alshammari, Mehdi Bennis

机构 * Centre for Wireless Communication, University of Oulu, Finland（奥卢大学无线通信中心） 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 本文提出基于认知和行动韧性的多智能体系统韧性定义，通过形式化逻辑和验证方法实现鲁棒决策与持续运行。

KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment

KARMA：利用多智能体大语言模型实现知识图谱的自动化丰富

Yuxing Lu, Wei Wu, Xukai Zhao, Rui Peng, Jinzhuo Wang

机构 * Department of Big Data and Biomedical AI, Peking University（北京大学大数据与生物医学人工智能系） ； Wallace H. Coulter Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院生物医学工程系） ； School of Architecture, Tsinghua University（清华大学建筑学院） 纠错

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

AI总结 KARMA通过多智能体大语言模型自动丰富知识图谱，有效识别新实体并提高正确性与一致性

Comments 24 pages, 3 figures, 2 tables

Journal ref Spotlight paper of NeurIPS 2025

MAGneT: Coordinated Multi-Agent Generation of Synthetic Multi-Turn Mental Health Counseling Sessions

MAGneT: 协调多智能体生成合成多轮心理健康咨询会话

Aishik Mandal, Tanmoy Chakraborty, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science and Hessian Center for AI (hessian.AI), Technische Universität Darmstadt（德累斯顿技术大学计算机科学系、普遍知识处理实验室（UKP Lab）、黑森人工智能中心（hessian.AI）） ； National Research Center for Applied Cybersecurity ATHENE, Germany（应用网络安全国家研究中心ATHENE，德国） ； Department of Electrical Engineering, Indian Institute of Technology Delhi, India（印度德里印度理工学院电气工程系） ； Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi, India（印度德里印度理工学院人工智能学院） 纠错

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

AI总结 MAGneT通过协调多智能体生成合成多轮心理健康咨询会话，提升咨询质量和评估一致性。

Comments 38 pages, 32 figures, 12 Tables

NeuronScope: A Multi-Agent Framework for Explaining Polysemantic Neurons in Language Models

NeuronScope：一种用于解释语言模型中多义神经元的多智能体框架

Weiqi Liu, Yongliang Miao, Haiyan Zhao, Yanguang Liu, Mengnan Du

机构 * Wuhan University（武汉大学） ； Hong Kong Baptist University（香港 Baptist大学） ； New Jersey Institute of Technology（新泽西理工学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

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

AI总结 NeuronScope通过多智能体框架迭代优化神经元解释，揭示语言模型中隐藏的多义性并提升解释的激活相关性。

Microeconomic Foundations of Multi-Agent Learning

多代理学习的微观经济学基础

Nassim Helou

机构 * Harrisburg University（哈里斯堡大学） ； Harrisburg, USA（美国哈里斯堡） ； Thatch, New York, USA（美国纽约泰奇） 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 本文提出了一种两阶段激励机制，通过研究委托-代理互动，在马尔可夫决策过程中实现亚线性社会福利遗憾，从而在渐近上最优，突显激励意识设计在市场和保险中的重要性。

Chimera: Harnessing Multi-Agent LLMs for Automatic Insider Threat Simulation

Chimera: 利用多智能体大语言模型实现自动内部威胁模拟

Jiongchi Yu, Xiaofei Xie, Qiang Hu, Yuhan Ma, Ziming Zhao

机构 * Singapore Management University（新加坡管理大学） ； Tianjin University（天津大学） ； 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、cs.SE

AI总结 Chimera通过多智能体大语言模型生成真实企业环境中的内部威胁数据集，提升内部威胁检测的挑战性和实用性。

Comments Accepted by NDSS 2026

CAML: Collaborative Auxiliary Modality Learning for Multi-Agent Systems

CAML: 多智能体系统中的协同辅助模态学习

Rui Liu, Yu Shen, Peng Gao, Pratap Tokekar, Ming Lin

机构 * University of Maryland, College Park（马里兰大学 College Park 分校） ； Adobe Research（Adobe 研究院） ； North Carolina State University（北卡罗来纳州立大学） 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 CAML通过多智能体协作和共享多模态数据，提升多模态学习在资源受限环境下的性能，实现事故检测和语义分割的显著改进。

HarmTransform: Transforming Explicit Harmful Queries into Stealthy via Multi-Agent Debate

HarmTransform: 通过多智能体辩论将显性有害查询转化为隐蔽形式

Shenzhe Zhu

机构 * University of Toronto（多伦多大学） 纠错

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

AI总结 HarmTransform通过多智能体辩论框架，系统地将有害查询转化为隐蔽形式，以提升大型语言模型的安全对齐能力。

AKG kernel Agent: A Multi-Agent Framework for Cross-Platform Kernel Synthesis

AKG核代理：跨平台核合成的多智能体框架

Jinye Du, Quan Yuan, Zuyao Zhang, Yanzhi Yi, Jiahui Hu, Wangyi Chen, Yiyang Zhu, Qishui Zheng, Wenxiang Zou, Xiangyu Chang, Zuohe Zheng, Zichun Ye, Chao Liu, Shanni Li, Renwei Zhang, Yiping Deng, Xinwei Hu, Xuefeng Jin, Jie Zhao

机构 * Huawei Technologies Co., Ltd.（华为技术有限公司） ； Hunan University（湖南大学） 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 AKG核代理是一种多智能体系统，通过自动化核生成、迁移和性能调优，提升跨平台核开发效率。

Reinforcement Networks: novel framework for collaborative Multi-Agent Reinforcement Learning tasks

强化网络：用于协作多智能体强化学习任务的新型框架

Maksim Kryzhanovskiy, Svetlana Glazyrina, Roman Ischenko, Konstantin Vorontsov

机构 * Institute for Artificial Intelligence, Lomonosov Moscow State University（人工智能研究所，罗蒙诺索夫莫斯科国立大学） ； Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学） 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 强化网络提出了一种用于协作多智能体强化学习的新框架，通过有向无环图结构实现灵活的信用分配和可扩展协调，统一了分层、模块化和图结构的MARL观点。

GroupDebate: Enhancing the Efficiency of Multi-Agent Debate Using Group Discussion

GroupDebate: 通过群体讨论提升多智能体辩论效率

Tongxuan Liu, Xingyu Wang, Weizhe Huang, Wenjiang Xu, Yuting Zeng, Lei Jiang, Hailong Yang, Jing Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beihang University（北航） 纠错

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GroupDebate方法，通过将智能体划分为小组并共享中间结果，减少多智能体辩论的token成本，提升效率和准确性。

Comments Accepted by AAMAS 2026

Multi-Agent LLM Committees for Autonomous Software Beta Testing

多智能体大语言模型委员会用于自主软件Beta测试

Sumanth Bharadwaj Hachalli Karanam, Dhiwahar Adhithya Kennady

机构 * New York University（纽约大学） 纠错

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

AI总结 多智能体大语言模型委员会通过三轮投票协议实现自主软件Beta测试，显著提高任务成功率和漏洞检测效率。

Mechanism-Based Intelligence (MBI): Differentiable Incentives for Rational Coordination and Guaranteed Alignment in Multi-Agent Systems

基于机制的智能（MBI）：用于多智能体系统中理性协调和保证对齐的可微激励

Stefano Grassi

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

AI总结 基于机制的智能（MBI）通过可微价格机制实现多智能体系统的理性协调和保证对齐，提供高效、可审计且可扩展的解决方案。

ART: Adaptive Response Tuning Framework -- A Multi-Agent Tournament-Based Approach to LLM Response Optimization

ART：自适应响应调节框架——基于多智能体竞赛的LLM响应优化方法

Omer Jauhar Khan

机构 * Department of Computer Science（计算机科学系） ； National University of Computer and Emerging Sciences (FAST-NUCES)（计算机与新兴科学国立大学（FAST-NUCES）） 纠错

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

AI总结 ART通过多智能体竞赛机制优化LLM响应，提升准确性和一致性，实现8.4%的质量提升和R²超过0.96的收敛效果。

Comments 14 pages, 11 figures, 5 tables. IEEE conference-style paper with appendices

A Multi-agent Text2SQL Framework using Small Language Models and Execution Feedback

基于小型语言模型和执行反馈的多智能体文本到SQL框架

Thanh Dat Hoang, Thanh Trung Huynh, Matthias Weidlich, Thanh Tam Nguyen, Tong Chen, Hongzhi Yin, Quoc Viet Hung Nguyen

机构 * Griffith University (Australia)（格里菲斯大学） ； VinUniversity (Vietnam)（文大学） ； Humboldt-Universitat zu Berlin (Germany)（柏林洪堡大学） ； The University of Queensland, Australia (2025)（昆士兰大学） 纠错

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

AI总结 MATS是一种针对小型语言模型的文本到SQL框架，通过多智能体机制和强化学习训练方案，在有限参数下实现与大规模LLM相当的性能。

Enhancing Multi-Agent Collaboration with Attention-Based Actor-Critic Policies

基于注意力机制的Actor-Critic策略增强多智能体协作

Hugo Garrido-Lestache Belinchon, Jeremy Kedziora

机构 * Department of Computer Science and Software Engineering（计算机科学与软件工程系） ； Milwaukee School of Engineering（密尔沃基工程学院） 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TAAC算法，通过注意力机制和惩罚损失函数提升多智能体协作性能，在模拟足球环境中表现出优越的协作能力。

Comments 11 pages

Assessing Long-Term Electricity Market Design for Ambitious Decarbonization Targets using Multi-Agent Reinforcement Learning

评估面向雄心勃勃去碳化目标的长期电力市场设计多智能体强化学习方法

Javier Gonzalez-Ruiz, Carlos Rodriguez-Pardo, Iacopo Savelli, Alice Di Bella, Massimo Tavoni

机构 * Department of Electronics, Information and Bioengineering（电子信息与生物工程系） ； Department of Management, Economics and Industrial Engineering（管理、经济与工业工程系） ； CMCC Foundation- Euro-Mediterranean Center on Climate Change（CMCC基金会—地中海气候变化中心） ； RFF-CMCC European Institute on Economics and the Environment（RFF-CMCC欧洲经济与环境研究所） ； Centre for Research on Geography, Resources, Environment, Energy and Networks (GREEN)（地理、资源、环境、能源与网络研究中心） 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 本文提出多智能体强化学习方法，用于评估面向雄心勃勃去碳化目标的长期电力市场设计，通过模拟意大利电力系统测试不同市场设计和政策场景，揭示市场设计对去碳化和价格稳定的重要性。

Comments Accepted to Energy and AI. Code available in https://github.com/jjgonzalez2491/MARLEY_V1

Coordinated Anti-Jamming Resilience in Swarm Networks via Multi-Agent Reinforcement Learning

通过多智能体强化学习实现蜂群网络中的协同抗干扰韧性

Bahman Abolhassani, Tugba Erpek, Kemal Davaslioglu, Yalin E. Sagduyu, Sastry Kompella

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

AI总结 本文提出基于QMIX算法的多智能体强化学习框架，用于提升蜂群网络在反应式干扰下的通信韧性，通过仿真验证其在对抗环境中的有效性。

Emergent Bias and Fairness in Multi-Agent Decision Systems

多智能体决策系统中的涌现偏见与公平性

Maeve Madigan, Parameswaran Kamalaruban, Glenn Moynihan, Tom Kempton, David Sutton, Stuart Burrell

机构 * Featurespace Innovation Lab（Featurespace创新实验室） 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 研究多智能体决策系统中的公平性问题，揭示其在金融领域中的偏见风险，并主张以整体视角评估而非分解分析。

Anubuddhi: A Multi-Agent AI System for Designing and Simulating Quantum Optics Experiments

Anubuddhi：一种用于设计和模拟量子光学实验的多智能体AI系统

S. K. Rithvik

机构 * Quantum Science and Technology Laboratory（量子科学与技术实验室） ； Physical Research Laboratory（物理研究所） ； Indian Institute of Technology Gandhinagar（印度理工学院冈格里分校） 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 Anubuddhi通过多智能体系统实现自然语言提示下的量子光学实验设计与模拟，支持灵活数学表示，提升实验设计民主化。

MedChat: A Multi-Agent Framework for Multimodal Diagnosis with Large Language Models

MedChat: 一种基于大语言模型的多智能体多模态诊断框架

Philip R. Liu, Sparsh Bansal, Jimmy Dinh, Aditya Pawar, Ramani Satishkumar, Shail Desai, Neeraj Gupta, Xin Wang, Shu Hu

机构 * University at Albany, State University of New York（纽约州立大学阿布扎克分校） 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 MedChat通过多智能体框架结合专用视觉模型和角色特定LLM代理，提升多模态诊断的可靠性与交互性。

Journal ref Proc. 2025 IEEE 8th International Conference on Multimedia Information Processing and Retrieval (MIPR), pp. 456-462, 2025

Rethinking the Reliability of Multi-agent System: A Perspective from Byzantine Fault Tolerance

重新思考多智能体系统可靠性：从拜占庭容错的角度出发

Lifan Zheng, Jiawei Chen, Qinghong Yin, Jingyuan Zhang, Xinyi Zeng, Yu Tian

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

AI总结 本文从拜占庭容错角度研究基于大语言模型的智能体可靠性，提出CP-WBFT机制提升多智能体系统稳定性与可靠性。

MAC: A Multi-Agent Framework for Interactive User Clarification in Multi-turn Conversations

MAC：一种用于多轮对话中交互式用户澄清的多智能体框架

Emre Can Acikgoz, Jinoh Oh, Joo Hyuk Jeon, Jie Hao, Heng Ji, Dilek Hakkani-Tür, Gokhan Tur, Xiang Li, Chengyuan Ma, Xing Fan

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon Alexa（亚马逊Alexa） 纠错

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

AI总结 MAC提出了一种多智能体框架，通过战略性管理澄清对话来解决用户模糊性，提升了任务成功率并减少了对话轮次。