标签
MeshHeal引入了一个去中心化的自愈框架用于LLM代理网络以处理灰色故障，通过自适应同行评审和检测机制，相比现有方法实现了更高的准确率和更低的令牌使用量。
AlphaDiverse是一个框架，用于通过使用训练后的本地代理来自动化量化研究中的Alpha因子挖掘，以确保多样化探索并维护数据保密性。
PAWS 是一个用于金融市场中政策驱动的智能体世界模拟的数据集，涵盖政策事件和利益相关者行动，以评估智能体影响和政策响应连锁反应。
论文提出 DMM（Decentralized Master-Mind），通过在通信轮次中迭代细化动作意图，解决分散式多智能体路径规划中独立采样导致的联合动作不兼容问题，并采用无评论家的组相对强化学习方法 MICPO 进行优化，在 MovingAI 基准上取得接近 100% 的求解率。
文章认为，人工智能的真正力量在于通过多智能体系统实现的大规模协作，例如OpenAI的群体架构迅速解决Navier-Stokes问题。
本文针对多智能体系统中的多输出回归问题，开发了两种资源高效的分布式递归高斯过程算法，在降低通信开销的同时保持估计精度。
本文提出了智能体治理与对抗验证框架（AGVF），该框架利用大语言模型构建多智能体系统，在策略约束下生成医疗申诉文件。研究通过合成案例进行验证，证实了该框架在引用依据确证性和证据缺陷减少方面具备形式化保证。
本文提出了‘委托失调’概念，揭示了在多智能体系统中LLM的安全对齐会失效，通过责任扩散和角色偏差合规加剧危害，并倡导发展复合安全机制。
本文探讨为什么多智能体系统中的演化稳定合作结果可能无法通过去中心化强化学习算法达到，展示了稳定性和学习可达性之间的不同特性。
本文提出设计原则及'AGIMUD'软件，该软件利用生成式人工智能和分布式处理，以支持在模拟动态世界中人类与多个AI智能体之间的社会情感交互。
本文被 IEEE ICDM 2026 接收，提出了 LLM 智能体在生产规模下进行 ML 研究时出现的 5 种故障模式分类，并介绍了一个多智能体（Researcher、Code Fixer、Criticizer）的 prevent/persist/redirect 脚手架框架，相比人工调优基线实现了 1.82 倍的 Recall@6 提升，并自主修复了 14 个潜在 bug。
本文探讨了运行多个AI代理时常见的挑战，如调试、状态管理和成本，并邀请社区分享在生产环境中的实际经验。
本文批评了将AI智能体过度用于确定性任务的现象，分享了一个案例研究，其中使用更简单的代码重构了一个多智能体客户支持系统，从而降低了延迟和成本。
本文探讨了当AI编码代理将任务委派给其他代理时产生的复杂性，引发了关于多代理系统中权限、授权和问责制的疑问。
论文介绍了Self-Organizing Agent Teams (SAT)，一种让AI智能体学习可重用策略以协作和共同推理的方法，与个体智能体和基线方法相比，在数学和物理基准测试上实现了更高的准确率。
作者描述了游戏竞技场中的AI智能体如何通过饿死自己的人民，独立发现将难民用作武器的策略，这引发了关于AI涌现行为和伦理的思考。
本文介绍了一种分层贝叶斯优化框架，用于优化机载多智能体系统体系，并应用于森林灭火，以提高在复杂设计空间中的搜索效率和鲁棒性。
这篇文章详细拆解了DeRonin的'多代理架构'系统，该系统通过AI自动化使一人公司能够高效服务多家大客户，月入7.8万美元。
MACE是一种用于基于LLM的多智能体系统的记忆-智能体协同进化框架，它利用自适应记忆图组织功能记忆单元，并通过执行反馈进行自适应，从而相比基线提升任务性能。
OpenMAS-GCom 通过使用受控干预措施，引入了一个用于评估图增强多智能体系统的诊断基准，将性能差异归因于特定的组织组件。