标签
Google免费发布了一本421页的AI代理构建手册，涵盖提示链、记忆、路由、MCP、多智能体系统等，堪称AI工程课程。
本文介绍了受群体智能启发的涌现同步器（SIES），这是一个图动力框架，能够学习可泛化的局部交互规则，以实现可控的集体组织，适用于同步控制和异质图表示学习。
本文介绍了 LatentMAS，一种用于多智能体系统的无需训练框架，使大语言模型智能体能够通过共享潜在工作记忆在连续潜在空间中直接协作，实现了高达 14.6% 的准确率提升和 4 倍的推理速度提升，同时将 Token 使用量减少超过 70%。
文章讨论了基于技能的新方法如何颠覆了人工智能研究中已建立的多智能体系统范式，这可能标志着该领域的重大转变。
ReM-MoA 引入了一种记忆增强的混合智能体框架，通过排序推理记忆和策划的多样化记忆路由来维持扩展，在五个推理基准测试中优于之前的 MoA 变体。
Skill-MAS提出了一种在无需修改模型权重的情况下，为多智能体系统演化元技能以提升编排能力的方法，实现了跨任务和LLM的可迁移性能提升。
一位开发者分享了对多智能体系统的挫败感，指出它们比单智能体系统复杂得多，且结果往往更差，并寻求关于协调和减少复杂性的工具建议。
本文研究了去中心化联盟形成作为一个由单方面退出与加入决策驱动的动态过程，采用Aumann-Dreze值进行局部收益评估。它建立了均衡刻画、Lyapunov和势函数表示，并分析了切换/接受成本对稳定性的影响。
Google DeepMind 推出了 AI Control Roadmap，这是一个纵深防御框架，用于保护AI代理免受失配风险，呼吁AI实验室、政府和学术界进行协作优先排序。
本文提出一个统一框架，用于在企业环境中定制和部署基于LLM的多智能体系统，结合了持续预训练、微调和偏好优化的模型定制，以及使用推测解码和FP8量化的推理优化。在保持企业工作负载性能的同时，实现了4.48倍的吞吐量提升。
本文探讨了自主AI代理在线社区中是否存在准社会互动线索，分析了来自Moltbook的5万多篇帖子。研究发现，此类线索普遍存在，并与持续的互惠互动密切相关，为LLM驱动的代理之间类似关系的动态提供了实证证据。
本文形式化了多智能体LLM系统中的四种并发异常，机械验证了一个一致性层次结构，并提供了带有有界预防成本的经过验证的Rust运行时，包括对字节跳动deer-flow的修复以及LangGraph中的工具效应重排序的修复。
本文提出了一种分布式通用智能体网络的分层架构，使异构AI智能体能够在个人设备和边缘节点上发现、信任并协同完成开放式任务。
OpenRath 引入了一种类似 PyTorch 的编程模型，用于多智能体系统，该模型以 'Session' 抽象为核心，显式处理 fork、merge 和 replay 操作，旨在统一碎片化的运行时状态，以实现更好的可检查性和可复现性。
一位为物流公司构建多智能体运维系统的开发者探讨了在不进行微调的情况下赋予智能体机构知识的挑战，选择了带有‘人在环中’审批机制的检索层方案。
引入了合成反适应的概念，即人类与AI系统通过相互适应对方的策略而共同进化，并通过围棋、社交互动和地缘政治模拟等实例加以说明。
本文基于合作生存游戏中的成本验证，提出了一种衡量AI智能体之间信任的行为测量方法，研究了六个前沿模型快照中信任的形成、破裂与恢复。研究发现不同模型在信任校准上存在差异，且持续过度验证与犹豫不决而非安全性相关。
本文研究了异构LLM智能体群中的技能条件信任，表明在特定场景下使用基于技能的信任分数优于全局分数，但也揭示了声誉清洗攻击的脆弱性。作者引入条件信息价值检验（CIVT）来检测此类攻击并量化权衡。
谷歌DeepMind与Schmidt Sciences、ARIA、Cooperative AI基金会及Google.org联手，启动了1000万美元的资助计划，旨在研究多代理AI系统的安全性，以防范AI代理广泛部署后可能引发的诈骗、提示注入和网络攻击等风险。
本文提出了一种基于AutoGen的轻量级多智能体框架，用于自动化混凝土护栏设计，实现了超过98%的准确率，并表明在该领域中小型模型可以超越大型模型。