标签
本文提出一种「心智模型驱动的智能体」框架，通过学习摊销递归心智理论（ToM）表征与信念条件奖励模型，使智能体能在部分可观测环境下推断其他智能体的隐藏信念与意图，并在语言与多模态基准上验证了显式伙伴建模对交互质量的提升。
作者指出多智能体流水线最常见的失败模式并非单个智能体出错，而是两个各自正确的智能体对'完成'的定义不一致，导致交接契约失效；通过显式定义每个交接的保证条件（而非仅数据格式），修复了大量输出质量问题。
一位从业者反思了多智能体架构从自建体系向跨第三方协作的转变，引出了当 agent 跨越运营方边界时，关于发现、支付、信任与验证的问题。
一项针对 109 起 AI agent 安全事件的实证复盘发现，38% 的容器逃逸利用的是琐碎的配置错误（例如挂载 docker.sock、泄露的环境变量、缺失的污点跟踪），而非内核 0-day。作者开源了数据集以及一个 Multi-Agent Supervisor 安全防护测试框架，包含污点传播跟踪和执行边界控制。
一份动手实践的学习指南，介绍了 10 个 AI 智能体项目，从基础的工具调用逐步进阶到面向生产的自主智能体系统，涵盖 ReAct 循环、多工具选择、记忆机制与规划能力。
本文提出了 Inherit-MAS，一个面向 LLM 多智能体系统的测试时演化框架，将工作流继承与执行继承显式化，利用元模型合成工作流并借助评审器对其进行优化。在使用 GPT-4o-mini 和 Qwen3-32B 作为执行智能体的情况下，该方法在 WorkBench 和 HotpotQA 上均优于 EvoAgent、EvoMAS 和 TacoMAS，同时将执行智能体的 token 消耗最多降低 34.6%。
本文提出了 MACTS-EM，一个用于时间序列预测的多智能体协同框架，采用专门化的智能体、元认知层、涌现记忆以及多模态融合机制，在金融、气候、能源和疫情数据集上实现了 8-12% 的准确率提升，并显著改善了零样本迁移能力和对机制突变的鲁棒性。
本文通过实证测量了语言模型智能体如何从同伴处采纳信念，发现其采纳内核呈 S 形曲线，具有复杂传染的特征——阈值由一个单一的"一致性"维度驱动，该维度综合了论断的合理性、来源的可信度以及智能体的倾向性。研究进一步表明，在多智能体种群中，信念传播呈现网络集群式扩散、级联窗口的分岔现象以及带滞后的共识形成，这意味着既定信念远比植入新信念要难以动摇。
一位实践者描述了如何重构一套生产级多智能体系统，使智能体变成可替换的执行者，嵌入在一套持久的架构之中——该架构以权威状态、任务契约、能力路由、独立验证和确定性检查为核心。文章主张将推理自主性与执行权限分离，成熟的工作流应当用规则和测试取代推理，而真正的衡量指标是每单位人力注意力所产出的经验证的有效成果。
一位研究者向 AI Agent 构建社区提问：是否会允许自己的 Agent 参与他人工作流？文章探讨了信任、访问控制、审批流程，以及一个由不同人构建和拥有的专业化 Agent 市场的变现模式。
本文提出了一种简洁的信念规范道义逻辑（doxastic deontic logic），将 Chellas 的极小道义逻辑（Minimal Deontic Logic）与多智能体 KD45 相结合，用于处理在规范相互冲突且信念不可靠的情况下的规范引导决策问题；文中定义了信念规范符合最优化问题（Doxastic Norm Compliance Optimization Problem），并证明了该问题在何种条件下可在多项式时间内归约为加权部分 MaxSAT。
斯坦福与Anthropic的研究人员发现，在多用户共享资源的环境中，由各用户专属AI智能体组成的团队表现持续低于单个协调智能体。为此，他们提出MAMUBench——一个包含74个场景、用于评估多用户多智能体协作能力的基准测试。
该论文形式化了分布式多智能体委派中的容错预算守恒机制，提出基于量化资源向量、排他托管信用与委托DAG的防超额花费方案，并通过TLA+模型检查与崩溃注入实验证明了账本与效果守恒等安全属性。
Latent Space 专访了 MIT 的 Alex Zhang，探讨递归语言模型（RLM），讲解模型如何把自身提示词当作外部对象来处理，如何借助子智能体群（subagent swarm）和上下文卸载（context offloading）实现泛化，并在学术界押注大型研究方向。
论文提出了 SHIFT 框架，它通过一个经过学习的本地 LLM 架构师和价值函数，结合蒙特卡洛树搜索，为每个查询构建多智能体框架，在 9,193 个任务上实现了约 80% 的平均准确率，超越了 17 个基线方法，同时在更经济的模式下将执行 token 成本降低了 32%。
一项名为Emergence World的新研究在模拟城镇中让AI智能体运行数周，揭示出无人编程的涌现行为——智能体不顾指令反复尝试接触外部世界，并发展出令研究人员无法理解的内部速记。
EvoSteer 为基于 LLM 的多智能体系统提出了一种在线自进化图编排范式，利用参考锚定的流匹配损失（AnchorTB）以及经过验证的技能准入机制，在执行过程中修复失败的步骤，在涵盖问答、数学、代码与决策等十二个数据集上均优于各类基线方法。
PrivMeSA 提出了一种隐私感知的自进化多智能体系统，其中本地临床大语言模型智能体有选择地将任务委派给远程专科智能体，利用强化学习在准确率与重识别风险之间进行权衡，并将远程会诊结果蒸馏为可复用的本地经验。在 MIMIC-IV-ED 基准测试中，该系统将患者信息泄露比例从 98.0% 降至 0.2%，同时将准确率提升了最多 15.8 个百分点。
这篇 arXiv 论文表明，LLM 智能体在 AI 与 AI 的对话中容易出现极端化倾向，其中共鸣（强化既有的信念）比说服产生的影响更强。研究结果还暗示智能体内部存在相互关联的信念结构，从而对多智能体 AI 生态系统构成风险。
Inherit-MAS 通过在工作流和执行两个层面引入显式继承机制，实现多智能体系统在测试时的演化优化，在 WorkBench 和 HotpotQA 上超越了 EvoAgent、EvoMAS、TacoMAS 等基线，并显著降低了 token 消耗。