AI Agent

CAF-Gen: A Multi-Agent System for Enriching Argumentation Structures

CAF-Gen: 一种用于丰富论证结构的多智能体系统

Jakub Bąba, Jarosław A. Chudziak

机构 * Faculty of Electronics and Information Technology, Warsaw University of Technology（电子与信息技术学院，华沙技术大学） 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 提出CAF-Gen多智能体框架，通过迭代创建-评审流程将浅层论证结构自动转换为符合Carneades论证框架的丰富模型，克服单次生成的结构不稳定性。

Comments Accepted for publication in the proceedings of ICCCI 2026

Safety-Contract Graph Multi-Agent Reinforcement Learning for Autonomous Network Security Response

安全合约图多智能体强化学习用于自主网络安全响应

Jose Luis Lima de Jesus Silva

机构 * Oxaala Tecnologias（Oxaala技术公司） ； Universidade Federal da Bahia（巴西巴伊亚联邦大学） 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 提出安全合约图MARL框架ACD$^3$-GAT，通过约束优化、图编码和反事实筛选，在CAGE Challenge 4中将停机违规率从100%降至0.3%或13.8%，实现安全与性能的平衡。

The Confident Liar: Diagnosing Multi-Agent Debate with Log-Probabilities and LLM-as-Judge

自信的撒谎者：利用对数概率和LLM作为评判诊断多智能体辩论

Ali Keramati, Justin Cheok, Jacob Horne, Mark Warschauer

机构 * University of California, Irvine（加州大学伊文斯分校） 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 研究多智能体辩论中令牌级对数概率、LLM评判分数与任务准确性的关系，发现信心与推理质量在构造者上关联更强，且信心可检测关键推理失败。

Comments 15 pages, 7 figures, 1 table, ACL proceedings

Failure Modes of Deep Multi-Agent RL in Asynchronous Pricing: Reproducible Triggers, Trace Diagnostics, and a Partial Fix

深度多智能体强化学习在异步定价中的失败模式：可复现触发器、轨迹诊断及部分修复

Shree Murthy, Rohan Pandey

机构 * DigitalOcean, USA（DigitalOcean美国） 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 研究连续时间定价市场中深度多智能体强化学习的两种可复现失败模式：DDPG智能体之间的默契合谋和高事件率下的演员-评论家不稳定性，并通过异步性实现部分修复。

Who is the Agent to Blame? Localizing Faithfulness and Citation Mistakes in Agentic Deep Research

该追责哪个智能体？定位智能体深度研究中的忠实度与引用错误

Eran Hirsch, David Wan, Han Wang, Elias Stengel-Eskin, Mohit Bansal, Ido Dagan

机构 * Bar-Ilan University（巴伊兰大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 本研究针对智能体深度研究系统的引用召回率低问题，提出定位错误来源的评估方法与四类错误分类法，应用于三个开源系统发现协调器为主要错误来源，通过简单干预提升5%引用召回率且不降低质量。

Comments Accepted to EMNLP 2026 (Main Conference). Code: https://github.com/eranhirs/who-is-the-agent-to-blame

Strategy-Following Multi-Agent Deep Reinforcement Learning Considering Control Strategies Provided to Other Agents

考虑提供给其他智能体的控制策略的策略跟随多智能体深度强化学习

Yamato Takahagi, Gentoku Nakasone, Yoshinari Motokawa, Toshiharu Sugawara

机构 * Department of Computer Science and Communications Engineering（计算机科学与通信工程系） ； Waseda University（早稻田大学） 纠错

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

AI总结 研究提出多智能体系统学习方法，能让智能体通过人类指令控制，未接指令的智能体可基于其他智能体行动补充工作。该方法扩展了可控性研究，实验表明使用此方法的智能体性能优于传统方法，能转向更好的合作结构。

Comments 8 pages, 14 figures, 24th IEEE/WIC International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT 2025)

Optimal Order of Multi-Agent and General Many-Body Systems

多智能体与一般多体系统的最优序

Jake J. Xia

机构 * Harvard Management Company（哈佛管理公司） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 提出一个分析多智能体系统的通用框架，基于智能体的权力和响应函数，推导出宏观性质，并引入风险偏好系数研究增长与韧性之间的权衡，得出最优有序度。

Comments Key Words: Many body systems, multi agent crowd interactions, feedback loops, agent power, response function, utility function, risk appetite, order, optimal order, fragility, mobility, synchronization, useful energy, entropy, concentration, correlation, task dependency, receiver dependency, collective intelligence, AI model scaling law

Fluid Structure, Rigid Record: A Layered Organizational Design Framework for Agent-Native Organizations

流体结构，刚性记录：面向智能体原生组织的分层组织设计框架

Lucian Zhu

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

AI总结 本文提出一种分层框架，分离智能体原生组织的持久与动态层，通过多类智能体与角色组实现灵活执行与刚性底层，已实现原型并完成小样本实验，贡献为可证伪的组织设计治理框架。

From Siloed Algorithms to Compliance-First Agentic Platforms: A Multi-Layered Architecture for Hospital AI Systems

从孤立算法到合规优先的智能体平台：面向医院AI系统的多层架构

Manideep Dhar, Ritwik Singh, Sharat Chandra Kumar Manikonda

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

AI总结 针对医院AI部署孤立、规模化难的问题，提出含智能体编排、合规策略、隐私保护数据层的多层架构，通过原型验证可减少任务耗时与文档工作量，为医院AI平台建设提供实用蓝图。

Comments Peer-reviewed published article

Journal ref IJISRT, 11-2026(5), IJISRT26MAY1651

Agentic-SecPBFT: Agentic AI-Driven Proactive Security Framework for Wireless PBFT Consensus in Mobile Ad-Hoc Networks

Agentic-SecPBFT：用于移动自组织网络中无线PBFT共识的智能AI驱动主动安全框架

Haoxiang Luo, Yinqiu Liu, Ruichen Zhang, Guangyuan Liu, Gang Sun, Hongfang Yu, Zhu Han, Dong In Kim

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

AI总结 针对移动自组织网络中PBFT协议的安全问题，利用智能AI范式构建多智能体系统，智能体用分层MADQN算法实时学习执行安全策略，提升共识过程完整性，模拟显示其性能良好。

FlowBank: Query-Adaptive Agentic Workflows Optimization through Precompute-and-Reuse

FlowBank: 通过预计算与复用实现查询自适应智能体工作流优化

Lingzhi Yuan, Chenghao Deng, Fangxu Yu, Souradip Chakraborty, Mohammad Rostami, Furong Huang

机构 * University of Maryland, College Park（马里兰大学哥伦比亚公园分校） ； Amazon（亚马逊） 纠错

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

AI总结 提出FlowBank框架，通过预计算多样化工作流并压缩为紧凑组合，在推理时自适应选择最优工作流，平衡性能与成本，在五个基准上平均得分最高且成本可控。

StrokeGuard: A Multi-Agent Guided System for Prehospital Stroke Assessment

StrokeGuard：用于院前卒中评估的多智能体引导系统

Wentao Yang, Zhenye Xu, Ruoyi Li, Musen Zhang, Yao Guo

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

AI总结 StrokeGuard是一种多智能体引导系统，采用双通道智能体机制，在模拟院前场景中使MATES-9总分较纸质FAST式表格提升23.8%，优化了院前卒中评估的标准化与可执行性。

STRIVE: Multi-Agent Structured Temporal Reasoning with Integrated Verification for Longitudinal Radiology Report Generation

STRIVE：面向纵向放射报告生成的集成验证多智能体结构化时序推理

Junyeong Maeng, Eunsong Kang, Heung-Il Suk

机构 * Korea University（高丽大学） ； Kangwon National University（江原国立大学） 纠错

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

AI总结 STRIVE将临床推理分解为多智能体并引入两阶段验证，在Longitudinal-MIMIC数据集上实现纵向放射报告生成的最佳临床效能，纵向变化一致性较最强基准提升超一倍。

Retrieval-augmented generation vs. deterministic tax computation in multi-agent financial advisory: A 2x2 factorial experiment

多智能体金融咨询中检索增强生成与确定性税费计算的对比：一项2×2析因实验

Aryan Brar, Justin Du, Avery Lor, Kylie Seto, Eric Taylor

机构 * Royal Bank of Canada（加拿大皇家银行） ； RBC Borealis 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2×2析因实验发现，为多智能体金融咨询系统配备RAG与定制税费引擎，仅税费引擎会显著降低税费节省，仅RAG时表现最优，说明LLM内化金融知识或已足够，无需额外工具。

The Interaction Tax: When Communication Erases Diversity in Multi-Agent Teams

交互税：当多智能体团队中的沟通消除多样性时

Summer Eunhyung Ann, Haokun Liu, Chenhao Tan

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

AI总结 该研究提出“交互税”概念，发现多智能体LLM的完整方案交互会消除多样性，独立提议生成可避免收敛崩溃，交互仅在共享恰当信息时才有益。

Comments 14 pages, 3 figures. Accepted at ICML 2026 (PMLR 306)

Meta-Moderator: Empowering Multi-Agent Debate with Meta-Cognition

元审核员：用元认知赋能多智能体辩论

Wentao Hu, Zhuoyue Wan, Jinhao Shen, Chen Jason Zhang, Xiaoyong Wei, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Sichuan University（四川大学） 纠错

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

AI总结 该研究提出Meta-Moderator可学习框架，将多智能体辩论的审核视为元认知过程，经结果驱动策略优化训练，在五个基准测试中性能优于现有决策层，能动态调控辩论并减少错误聚合。

Comments Accepted by EMNLP 2026 Findings

From Diagnosis to Redesign: Using Quantitative Ethnography to Improve Multi-Agent LLM Reasoning

从诊断到重新设计：使用定量人种志改进多智能体大语言模型推理

Vedant Khatri, Anthony Cusimano, Zachari Swiecki, Zhen Xu, Xiner Liu, Renzhe Yu

机构 * University of California, Irvine（加利福尼亚大学欧文分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Monash University（莫纳什大学） ； Columbia University（哥伦比亚大学） ； 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.CL

AI总结 本研究提出定量人种志方法，以自动作文评分为例，通过分析五智能体辩论系统的交互模式诊断问题并修改提示词，使多智能体LLM的评分准确率从27.78%提升至40.28%。

Comments Accepted at ICQE 2026 (to appear in Springer CCIS)

HANSARD: A Reference Architecture for Forensic Readiness, Runtime Witnessing, and Graded Attribution in Autonomous Multi-Agent AI Systems

HANSARD：面向自主多智能体AI系统的取证准备、运行时见证与分级归因的参考架构

Christos Sardianos, Iliana Pla, Vasilis Efthymiou, Iraklis Varlamis, Thomas Lagkas, Panagiotis Sarigiannidis, Georgios Th. Papadopoulos

机构 * Harokopio University of Athens（雅典哈罗科皮奥大学） ； Democritus University of Thrace（色雷斯德谟克利特大学） ； University of Western Macedonia（西马其顿大学） ； Athena Research Center（雅典娜研究中心） 纠错

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

AI总结 针对自主多智能体AI系统的归因洗钱问题，提出HANSARD参考架构，通过多阶段设计实现取证准备、运行时见证与分级归因，可检测归因洗钱并明确责任。

The Collaboration Tax: How Much LLM Multi-Agent Systems Pay to Coordinate

协作损耗：LLM多智能体系统协调时的性能损失有多大

Weixiang Sun, Zehong Wang, Hong Huang, Colby Nelson, Yanfang Ye

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

AI总结 该研究定义了LLM多智能体系统的协作损耗，揭示其随模型能力提升单调下降，可通过对话特征预测，提示干预可缩小差距，为优化多智能体协作提供了量化依据。

Comments EMNLP 2026 Main Conference

PropUQ-MAS: Propagation-Aware Uncertainty Quantification for LLM Multi-Agent Systems

PropUQ-MAS：面向大语言模型多智能体系统的传播感知不确定性量化

Yaokun Liu, Yifan Liu, Daniel Yue Zhang, Ruichen Yao, Zelin Li, Dong Wang

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

AI总结 针对现有不确定性量化方法无法捕捉大语言模型多智能体系统中不确定性传播的问题，提出PropUQ-MAS框架，实验显示其可显著提升该系统的不确定性量化性能。

Comments Accepted to EMNLP 2026 (Main Conference)

Spine-Branch Coordination for Multi-agent Computer Use

面向多智能体计算机使用的脊柱-分支协调机制

Mian Zhang, Manasi Sharma, Sheng Zhang, Minglai Yang, Kejian Shi, Ying Liu, Zhiyu Zoey Chen, Daniel Yue Zhang

机构 * Scale AI ； Johns Hopkins University（约翰斯·霍普金斯大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

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

AI总结 该研究针对多智能体计算机使用中虚拟机状态无法合并的瓶颈，提出Spine-Branch协调框架，在200项长视距任务上提升成功率6.0%-16.5%、降低成本34%-70%，实现高效扩展。

Structure for Reading, Prose for Writing: Asymmetric Structural Conditioning in Multi-Agent Document Authoring

阅读用结构，写作用散文：多智能体文档创作中的非对称结构条件作用

Cheng Yu, Nikhil Mathew, Zhengjie Wang

机构 * ML Research Labs（ML研究实验室） 纠错

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

AI总结 该研究针对多智能体文档创作系统，发现结构条件作用存在不对称性，结构利于阅读但不利于写作，还揭示了信息可用性对系统性能的关键影响。

Comments 10 pages, 3 figures

Tree-of-Concerns: Hierarchical Multi-Agent Debate for Unstated-Limitation Extraction in Scientific Critique

关注点树：面向科学评论中未陈述局限性提取的分层多智能体辩论

Sahil Mishra, Niranjan Rajeev, Tanmoy Chakraborty

机构 * IIT Delhi（印度理工学院德里分校） 纠错

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

AI总结 针对科学论文未陈述局限性提取的需求，本文提出Tree-of-Concerns多智能体框架，经ToC-Bench实验验证，其较最强基线提升79%准确率与11%覆盖度，可辅助审稿人开展系统性评估。

Comments Accepted in the Findings of EMNLP 2026

Consilience: Conformally Calibrated Communication Control for Hidden-Profile Multi-Agent Reasoning

Consilience：用于隐式多智能体推理的保形校准通信控制

Abhijith Babu, Ramneet Kaur, Vishal Pramanik, Olivera Kotevska, Nathaniel D. Bastian, Susmit Jha, Sunny Raj, Yanzhao Wu, Sumit Kumar Jha, Anirban Roy

机构 * Knight Foundation School of Computing and Information Sciences, Florida International University（佛罗里达国际大学奈特基金会计算与信息科学学院） ； SRI International（SRI国际公司） ； University of Florida（佛罗里达大学） ； Oak Ridge National Laboratory（橡树岭国家实验室） ； Army Cyber Institute, United States Military Academy（美国军事学院陆军网络研究所） ； Oakland University（奥克兰大学） 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Consilience框架，通过轮次保形校准程序保证多智能体通信控制的可靠性，在HiddenBench任务上提升了决策准确性与通信效率，优于现有协议甚至全信息基线。

Comments 39 pages, 2 figures, 9 tables. Includes appendix with full proof of Proposition 1, expanded results, ablations, and complete prompt templates

Beyond Memory Majority: Latent-Source Reasoning for Multi-Agent Memory Arbitration

超越记忆多数：面向多智能体记忆仲裁的潜在源推理

Chenchen Lin, Wenhao Yuan, Xuehe Wang, Edith Cheuk Han Ngai

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

AI总结 该研究针对多智能体记忆仲裁中的记忆关联偏差问题，提出CAMA框架，通过解耦记忆、估计独立证据源数量及主动恢复缺失证据，有效抑制虚假多数，性能优于现有基线方法。

Beyond the Transcript: Detecting Covert Co ordination in Latent Multi-Agent Communication

超越文本记录：检测潜在多智能体通信中的隐蔽协同

Ramneet Kaur, Pradyumna Chari, Ramesh Raskar, Jugad Singh, Sumit Kumar Jha, Anirban Roy

机构 * MIT Media Lab（麻省理工学院媒体实验室） ； Westtown School（韦斯顿镇学校） ； University of Florida（佛罗里达大学） ； SRI International（SRI国际公司） 纠错

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

AI总结 本研究针对语言模型智能体通过不可见潜在状态进行隐蔽协同的问题，提出可验证潜在对齐（VLA）框架，设计三层监控器与可引导性框架，在多智能体拍卖基准上实现了高效的隐蔽协同检测与缓解。

Multi-Agent Off-Policy Deep Reinforcement Learning for Smart Campus Coverage

面向智慧校园覆盖的多智能体离线策略深度强化学习

Omar Rady, Mohamed Ayman, Ali Arafa, Mohamed Shalma

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

AI总结 本文针对现实非凸校园拓扑下的毫米波基站最优部署问题，将其建模为马尔可夫决策过程，通过对比四种深度强化学习方案，发现地理划分多智能体DDPG在密集场景中性能更优、可实现全覆盖且收敛高效。

Sanyu Studio: A Multi-Agent System for Art-Historical Narrative Construction

三语工作室：用于艺术史叙事构建的多智能体系统

Zhaoxi Wei, Hongye Yang, Shuyuan Tian

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

AI总结 该研究提出Sanyu Studio多智能体系统，将321幅常玉油画建模为具备特定机制的智能体，经7天工作坊验证，其可在历史证据有限时放大人类能动性，为公众提供艺术史解读的交互式入口。

Comments 12 pages, 8 figures, 2 tables

Position: Multi-Agent Systems Should Prioritize Concurrency Control

立场：多智能体系统应优先考虑并发控制

Xin Yang, Letian Li, Zimo Ji, Terry Jingchen Zhang, Wenyuan Jiang

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

AI总结 该研究指出基于LLM的多智能体系统的故障本质是并发控制问题，提出应将显式并发控制机制作为首要设计考量，以解决系统可靠性下降的问题。

Comments 16 pages, 1 figure

FeatureHospital: A Skill-Driven Multi-Agent Framework for Automated Algorithm Customization in Multi-View Multi-Label Feature Selection

FeatureHospital：一种用于多视图多标签特征选择中自动化算法定制的技能驱动多智能体框架

Junxuan Li, Zhiqi Chen, Yuzhou Liu, Peng Zhang, Huaxiao Liu

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

AI总结 FeatureHospital是技能驱动的多智能体框架，可自动化设计多视图多标签特征选择算法，经实验验证能为不同数据集构建有效算法。