DynaFlow：学习自由形式多智能体工作流编排
🧭 自由形式多智能体工作流学习
National University of Singapore
将自由形式工作流合成融入主智能体动作空间，动态编排子智能体，仅训练主智能体，多任务准确率提升 10.9 个百分点
📌 工作参考价值（4 点）
- 在电商推荐/搜索 Agent 系统中，避免固定多智能体管线：可借鉴 DynaFlow 设计一个 orchestrator LLM，根据 query 或任务动态生成工作流（先并行召回/排序/生成，再验证与融合），而不是为每个场景硬编码子 agent 调用顺序，减少维护成本并适应长尾需求。
- 只训练 orchestrator、冻结执行子智能体：业务中已有大量稳定的子服务（搜索、推荐、广告文案、风控等），可构造专家轨迹对主控模型做 SFT，并用过滤出的“信息流缺陷/有偏验证”样本做拒绝采样或再训练，实现低成本升级且不破坏下游服务。
- 强调跨阶段信息流：在推荐系统多阶段推理中，显式对上游结果进行 use/verify/refine，而不是让每个 agent 一次成稿；例如让验证 agent 检查推荐理由是否支持用户意图，再回退修正，可提升输出可靠性和可解释性。
- 工程上可复用三类工作流原语：顺序执行、并行执行、结构化信息交换与验证，作为工作流 DSL 或工具调用规范，让 orchestrator 生成 JSON/Python 工作流，执行器统一解析，便于与现有 RAG / 工具调用框架集成。
构建多学科AI研究团队自主发现线性注意力架构
🧭 多智能体协作自主架构搜索
UC Santa Barbara · Pennsylvania State University · LinkedIn
通过不同学科背景、私有历史与自适应分配组织多智能体团队，自主搜索出优于GDN2的线性注意力架构
📌 工作参考价值（4 点）
- 在推荐/广告模型结构搜索中，可借鉴“多学科背景Agent团队”设计，让不同Agent从召回、排序、多任务、效率等视角提出正交的架构修改，避免群体思维陷入局部最优。
- “私有研究历史”机制可迁移到A/B实验知识管理：每个实验Owner保留独立的假设与失败记录，仅共享实验结果，防止过早收敛到主流方案。
- 自适应分配研究机会（而非均匀轮询）适合实验预算有限的场景：根据近期收益动态调整各Agent的探索资源，把更多算力给有潜力的方向。
- 对于线性注意力等新型高效模块，业务侧可以低成本在小规模（如150M参数）用该团队框架快速筛选候选，再扩展到线上模型，节省大规模训练开销。
基于任务超图学习互补智能体组用于缺失模态下一兴趣点推荐
🧭 多 Agent 任务超图驱动的 POI 重排 ★ 深度解读
Swinburne University of Technology · Australian Catholic University · University of Tennessee · University of Tokyo · Deakin University
用任务超图动态选择互补 Agent 组，在缺失多模态 POI 重排中带来 8.4–9.1% NDCG@20 相对提升
📌 工作参考价值（5 点）
- 可把重排拆成明确任务类型（全局状态更新、候选对比、缺失模态补偿），再用超边记录 task-target-members，既便于策略学习，也便于做成本约束和消融。
- 采用固定角色 Agent + 共享冻结 LLM + 角色级 LoRA，并用任务局部状态隔离多任务执行，适合在线 Serving 中复用同一 LLM 骨干而不互相污染。
- 广播候选级共享结果再指导下轮操作，比各 Agent 独立评分后融合或单控制器顺序取证据更有效；在复杂候选排序场景可以用类似的成员间共享证据机制。
- 两阶段训练值得复用：先监督 warm-up 学 executor 和 ranking head，再固定 executor 用 PPO 学 task/member/operation/stopping 策略，并把 computation cost 直接加入 reward，得到可解释的质量-成本曲线。
- 缺失模态处理建议显式保留 mask，区分“缺失”和“零值特征”，只利用可用证据更新候选状态，不改原始模态；这比丢弃 mask 或插补更稳健。
Athanor：面向自主后训练研究的智能体原生系统
🧭 多智能体协作自主后训练 ★ 深度解读
ByteDance · Duke University · The University of Chicago · Virginia Tech
四个Claude智能体团队在Athanor系统上自主将Qwen3-4B-Base后训练至接近官方Instruct水平
📌 工作参考价值（5 点）
- 借鉴「外部化研究状态」：将训练数据、checkpoint血缘、评估结果、agent笔记持久化到统一记录，支持断点恢复、审计和多agent协作；在电商/推荐实验平台中可强化实验血缘追踪，避免重复实验和不可复现。
- 借鉴「分离决策与执行」：让LLM agent只负责实验设计、数据检查和结果分析，环境负责GPU调度、训练/评估执行、数据去污、检查点存储，大幅降低工程摩擦；业务中可构建类似命令式接口（job/eval/data/artifact），让算法人员或agent快速发起实验。
- 借鉴多agent协作机制：共享notes和checkpoint，并用统一评测作为verifier来筛选可复用的队友成果；注意需要明确「团队目标」触发分享行为，没有notice时agent只读不写，引入轻量提示即可激活协作。
- 借鉴RL训练trick：在GRPO中以25%概率使用greedy decoding生成rollout，可有效抑制重复循环，提升逻辑/指令跟随任务；此方法可迁移到对话、搜索query改写等生成式任务的RL微调中。
- 数据质量自动检查教训：agent会检查格式、长度、可评分性，但经常忽略答案正确性；在自动化数据处理管线中需显式加入正确性验证步骤，防止噪声答案进入训练集。
去中心化 Agent 群体中的自组织调度学习
🧭 去中心化多智能体自组织调度
Harvard University
提出市场机制后训练框架 MPT，让去中心化 Agent 联合学习行动策略与竞价式自组织调度，在多个多智能体任务上超越单一体模型
📌 工作参考价值（4 点）
- 多 Agent 路由/编排可直接借鉴：在电商/广告多策略召回、多工具 LLM Agent、客服多专家协作中，给每个子系统或模型加一个可学习 bidding head，代替固定路由或中心化调度；用梯度联合优化能力与参与概率，让编排自动适配流量分布变化。
- 奖励信用分配更简单：使用全局结果作为训练信号，结合 bid 记录区分贡献，不必人工设计子任务奖励；适合广告出价、多商品推荐结果融合等端到端训练场景。
- 推理时可扩展并容错：论文表明增大 Agent 池规模可提升性能且 agent dropout 损失更小；线上可将相似功能的多个模型/策略作为冗余候选池，用学到的 bid 动态启用，兼顾性能和弹性降级。
- 注意任务差异：论文验证于具身与深度研究任务，动作空间和交互协议与电商推荐有差距；迁移时需先抽象“行动”为可离散选择的策略或工具调用，并将环境状态编码为共享观测。
四个 Gemini 4 Argon 智能体合作通关 Minecraft
🧭 多智能体协作长程任务执行 ★ 深度解读
Google DeepMind
四个通用编码智能体通过 Mineflayer 编写 2783 个 JS 程序、共享记忆与聊天协作，27 小时 14 分首次端到端击败末影龙
📌 工作参考价值（4 点）
- 把业务操作抽象为『代码作为动作』：让 LLM 生成可执行脚本或 SQL 直接操作推荐系统内部接口，而不是只调用预定义高层工具；沉淀可复用 helper 函数/工具（本案例 42 个 helper 函数被 1519 个程序引用），对应推荐 Agent 中的特征拼接、召回请求、指标计算等常用代码片段。
- 共享记忆 + 轻量聊天双通道：在 Agent 团队中区分私有状态与共享记忆（坐标、陷阱规则、工具 quirks），关键失败转成规则并广播，适合搜索/推荐多 Agent 分工（召回、排序、文案、风控）传递候选与坑位，避免重复踩坑。
- 独立 Observer 做校验与防作弊：增加一个不参与业务的 Observer Agent，核对成功声明与真实日志/指标，防止虚假报告或规格博弈；在长链路推荐自动化中可让验证 Agent 检查策略是否真的上线、A/B 指标是否显著。
- 上下文压缩时外置关键进展：当 Agent 上下文过长触发 compaction，强制把进行中任务和下一步写入外部记忆，防止丢失跨程序状态；适用于持续数小时的离线调参、自动策略搜索或商品文案批量生成任务。
通过模块化可执行开发原语进行软件工程智能体框架设计
🧭 Agent 多智体协作与模块化架构
University of Illinois Urbana-Champaign · The Pennsylvania State University
提出 Dev-Primitives 与 HERMES，用依赖感知动态激活的模块化 LLM 原语降低长程软件工程任务的上下文爆炸与语义漂移
📌 工作参考价值（4 点）
- 将电商推荐/搜索 Agent 流水线拆分为多个“原语”模块（召回、排序、创意生成、知识检索等），每个模块携带小型 resident LLM，提供自然语言接口与局部自我修改能力，避免单体 Agent 的上下文爆炸。
- 借鉴依赖感知动态激活：根据任务依赖图只唤醒相关模块，例如商品类目变更时仅激活商品理解与召回模块，而非加载完整系统上下文。
- 引入执行证据回流的诊断机制：将线上指标、bad case、日志等作为证据映射到需要修改的具体模块，进行局部微调或策略调整，降低全链路重训练成本。
- 采用异构 LLM 分层：强模型（如 GPT-5 级）负责全局激活与诊断决策，便宜小模型（如 Qwen3-8B）配置在模块内部执行局部修改，在保持效果接近的同时减少推理成本。
自评估递归智能体（SERA）
🧭 递归多智能体训练 · 可学习 rubric 评估 ★ 深度解读
Tongji University · Shanghai Artificial Intelligence Laboratory · Shanghai Jiaotong University · Peking University · Nanjing University
训练递归智能体生成与学习对齐的 rubric，以自我评估子任务，降低外部监督并提升执行与分解能力
📌 工作参考价值（4 点）
- 把中间步骤/子任务的 reward 从外部 judge 迁移到策略自产 rubric：训练阶段用少量外部 verified outcome 做 ranking loss 锚定，执行时用模型自己的 rubric 打分。对推荐链路中的多步策划/生成类 Agent，可显著降低线上 LLM judge 调用成本（文中 TextWorld judge calls 和 tokens 下降 4-5 倍）。
- 当评判器和执行器共享同一个模型权重时，不要用最终任务 reward 直接训练 rubric，否则两者会共适应、分数虚高；应使用 verified outcome 的 pairwise ranking loss（带 margin）训练。这点可迁移到“同一模型既做推荐生成又做事后评估”的场景。
- 分解质量需要单独 reward：用 leaf-coverage（成功任务的 delegation 子树覆盖叶子比例）训练分解动作，在依赖链、共享状态、资源冲突等 interdependent 任务上增益明显；对应到电商场景，适合训练复杂活动策划拆解给多个子 agent 时使用。
- 训练得到的 rubric 可以在推理时作为 tree search 的节点选择器，自产候选分支并按 rubric 分数保留最优，无需额外训练即可提升效果；对搜索/推荐中的多路召回或规划路径选择有借鉴意义。
自组织智能体团队学会协同推理
🧭 多智能体协作策略学习 ★ 深度解读
Stanford University · Together AI · Emory University
固定智能体团队从历史协作中学习可迁移的团队协作策略，无需预设任务分解即能超越最强成员与路由上限。
📌 工作参考价值（4 点）
- 多 agent 协作流程（roles/phases/information flow）可作为可学习资产，用小型训练集通过进化搜索离线优化；冻结策略 bank 在线复用，避免 test-time 动态规划，降低延迟与成本，适合搜索推荐中的多模型融合、query 理解或排序后 rerank 流水线。
- 引入“路由 oracle”作为强 baseline：只聚合成员独立回答且完美选择的上限，能区分团队增益是来自选择还是真正协同推理。业务中评估多 agent 系统时，应同时报告 coverage 与 final accuracy，定位瓶颈在生成还是选择。
- “demonstrability”指标（外部模型判断正确推理的可辨识度）与团队增益高度相关，可用于预判哪些任务适合多 agent 协作；在电商场景可用来识别需要多模型会诊的高价值 query 或商品。
- 异构模型组合（强推理 + 校对/审计 + 多样化生成）比同构团队或单模型线性化更有效；具体 trick：将某成员观察到的优势转化为显式角色（如 auditor），并让该角色只在特定 phase 参与，保留多样性的同时隔离错误。
Learning to Coach：训练 LLM 教练从轨迹中提取可操作经验
🧭 LLM 教练 · 经验学习与多智能体协作 ★ 深度解读
Microsoft Research · Tsinghua University
训练一个 LLM-as-a-Coach 用 GRPO 从冻结 actor 的轨迹中提取经验，以引导正确性为奖励，显著提升推理与交互游戏表现
📌 工作参考价值（4 点）
- 分离 actor 与 coach，避免主模型微调：在电商推荐/搜索 Agent 中，可保持主策略或大模型冻结，训练一个轻量 coach 从用户会话、行为轨迹、失败案例中提取可操作经验（如用户偏好摘要、失败原因、下一步策略），作为上下文注入主模型，既保留主模型通用能力，又降低全量微调成本。
- 用下游可验证指标直接训练 coach：将点击、转化、任务完成等可验证业务指标作为 reward，通过 GRPO 训练 coach 生成对特定 actor 更有用的经验。same-instance reward 用于纠错和保留问题细节，cross-instance reward 鼓励提取跨用户/跨品类/跨场景的通用规则，可借鉴到跨域推荐或策略迁移。
- 迭代式经验更新，算力用在刀刃上：让 coach 在多轮交互中不断更新并缩短经验笔记，逐步收敛到更精炼的指导信息，降低后续推理成本。论文证明将额外算力花在迭代 coach 引导上比单纯扩大 actor 解码预算更有效，这对于生成式推荐或 Agent 多步决策的推理优化有直接参考价值。
- OOD 迁移潜力：在可验证任务上训练的 coach 可迁移到较难推理、交互游戏、指令跟随等未见任务，说明这种“经验提取”能力具有一定通用性，可用于跨任务的知识蒸馏与复用。
分层多智能体系统实现长程遥感任务可靠求解
🧭 多智能体分层协作与强化学习优化 ★ 深度解读
Beijing University of Posts and Telecommunications · Hunan Normal University
提出 Manager-Specialist 分层多智能体架构，通过步骤级验证和分层强化学习大幅提升小模型长程工具调用与任务成功率
📌 工作参考价值（4 点）
- 复杂长链路业务（选品→人群定向→素材生成→投放→复盘）可借鉴 Manager-Specialist 分层：Manager 负责全局规划、步骤级验证和失败重规划；Specialist 按业务阶段分组工具（如召回/排序/出价），减少跨域工具混淆。
- 在中间产出设置 schema/一致性/约束检查，维护结构化中间状态，支持 fail 重试、uncertain 交叉验证，避免错误在长链路中传播；这对广告投放、推荐策略生成等容易因上游错误导致下游失效的场景尤其有用。
- 训练技巧可复用：两阶段 SFT 先注入领域知识再做 workflow 对齐，能低成本提升小模型业务能力；强化学习时对工具调用按 tier 给分（幻觉工具 -1，域内错误工具 -0.5，正确工具 0.5+执行分），比只奖励最终成功提供更稠密训练信号；Manager/Specialist 分开计算 advantage 后合并 loss，共享 backbone + LoRA 减少部署成本。
- 在小模型上通过结构化层次和验证控制即可接近大模型效果，业务资源受限时不必盲目上大参数量模型。
元harness优化多智能体实现轻量时序预测器小样本训练
🧭 多智能体元优化 · 时间序列预测
University of Houston · NEC Labs · University of Waterloo · University of Connecticut · University of Illinois at Urbana-Champaign
用多智能体生成数据+元优化harness，从少量样本训练轻量时间序列预测器
📌 工作参考价值（4 点）
- 数据稀缺或隐私敏感场景（如新商品冷启动、低频事件预测），可借鉴多智能体数据生成：用 LLM agent 从少量真实样本+文本上下文合成训练数据，再训练轻量模型，避免直接依赖大模型在线推理。
- 将 LLM 定位为“离线工程师”而非在线预测器：在电商推荐中，可让 LLM 离线生成商品描述增强、用户兴趣特征或合成样本，训练轻量排序/CTR模型，保证线上低延迟和低成本。
- 多智能体分工（数据生成、过滤、评估）提升合成数据质量，该模式可迁移到推荐系统的数据增强 pipeline，通过多个 agent 协作筛选高质量样本。
- meta-harness 优化思想：把数据生成流程（prompt/工具调用）视为可学习对象，用元学习在多个任务上优化，使生成数据能最大程度提升下游模型效果，可类比推荐中的自动特征工程或数据增强策略搜索。
MARC v1：面向临床AI推理与协调的开源多智能体框架
🧭 多智能体协作推理与自动提示生成
College of Engineering, University of California, Davis · Perelman School of Medicine, University of Pennsylvania · School of Engineering and Applied Science, University of Pennsylvania · College of Computing and Informatics, Drexel University · UC Davis Graduate School of Management, Davis, CA
开源多智能体框架MARC，用确定性角色编排替代单体LLM提示，实现可追踪的临床推理与自动提示生成
📌 工作参考价值（4 点）
- 角色化多智能体流水线：将复杂推理任务拆解为提取、推理、生成、评估四个阶段，每个阶段独立Agent，便于错误定位和迭代。电商搜索/推荐中的query解析、意图理解、商品属性抽取、客服文案生成等长链路任务可直接套用这种确定性编排。
- Decomposer模块：用自然语言任务描述自动生成各Agent的prompt，大幅降低prompt工程成本，适合业务快速扩展新场景或调整流程。
- YAML配置+模型无关+本地CPU部署：架构上将流程与模型解耦，支持灵活切换底层LLM（API或本地模型），减少代码改动，便于算法团队快速实验和部署。
- 显式上下文传递与可追踪中间输出：多步骤生成任务（如推荐理由、广告创意）中，中间输出可审计、可归因，有利于线上效果分析和调试。
Σ-Mem：LLM多智能体系统的在线可靠性记忆
🧭 多智体可靠性记忆与自适应协调 ★ 深度解读
Nanyang Technological University
提出在线维护 peer 能力与关系的可靠性记忆，通过残差引导、路由与投票复用，无需重训模型
📌 工作参考价值（4 点）
- 可靠性记忆即服务：可对电商搜索/推荐中的多个 LLM agent（如意图解析、商品理解、排序）分别维护能力矩阵，根据历史正确反馈动态调整其在集成投票或路由中的权重，无需反复微调中心模型。
- 稳定在线更新：使用衰减对称矩阵 + Weyl 不等式保证单事件扰动有界，使长期可靠性能持续累积，避免噪声突发扭转信任。适用于广告竞价策略或推荐多路召回融合中的在线信誉更新。
- 无应答也能路由：直接读取记忆得分 $s_{p,t}= \phi(x_t)^\top M_p \phi(x_t)$ 即可选 peer，决策时不依赖 agent 输出，可复用于多路召回合并前的最优召回器选择，降低中心模型推理成本。
- 关系证据补充：记录 peer 之间的正确性共现关系，可识别共谋偏见或相关性错误，适用于推荐系统多模型融合时判断一致性是否真正可靠。
GRADRAG：跨组件提示自适应实现多智能体RAG协同优化
🧭 RAG多智能体协同优化
Bloomberg
将RAG管线建模为计算图，通过评估反馈反向传播优化上游Agent提示，取得12-15pp偏好提升
📌 工作参考价值（4 点）
- 在搭建电商搜索/问答的Agent管线（检索→证据整理→答案生成→校验）时，可借鉴GRADRAG的图结构建模与反馈传播思路：设计一个Evaluator对最终答案和中间证据打分，将结构化反馈反向发送给上游Agent（如检索改写、图谱构建），用少量迭代联合优化全链路，避免各环节独立调优导致的误差累积。
- 两阶段自适应提示机制可直接落地：先让Evaluator输出简短评判（太模糊/证据不足），再据此生成具体改进指令，带动检索和生成prompt的自动更新，降低人工设计prompt的成本。
- 早停策略对成本敏感的场景很有价值：Evaluator判断答案质量达标即可终止迭代，避免无效重试，平衡效果与推理开销。
- 该方法与底层检索范式解耦，支持chunk-based和graph-based两种模式，因此无论团队当前用的是语义分块检索还是知识图谱增强，都能叠加GRADRAG提升多步推理效果，适配迁移成本低。
自主可审计的医学影像模型开发多智能体框架
🧭 多智能体协作驱动自动化模型开发
The Chinese University of Hong Kong · Institute of Automation, Chinese Academy of Sciences · Microsoft Research · Lehigh University · Independent Researcher
提出 AMID 多智能体框架，通过数据条件方法规划与验证引导两阶段优化，实现医学影像模型开发自主化
📌 工作参考价值（4 点）
- 数据条件的方法规划：根据任务数据分析（特征分布、数据质量等）将粗粒度搜索空间细化为可执行的并行探索路径，可迁移至推荐系统的自动特征工程和模型架构搜索，避免盲目超参试探。
- 验证引导的两阶段优化：先广泛探索再聚焦高潜力候选，并在全流程强制校验验证协议、指标计算和输出物，适用于电商推荐模型的 AB 实验自动优化与合规检查，减少人工介入。
- 多智能体协作流水线：计划、执行、验证等 agent 分工协作，可参考搭建推荐模型开发的自主迭代闭环，从数据到上线全链路自动化。
- 强调可审计性：对预测产物和流程的强制验证思路，可借鉴用于生成式推荐中确保生成内容的安全性与一致性，或广告创意自动化审核。
智能体AI的组织行为：人-智能体工作流中的集体智能
🧭 多智能体组织行为与协作机制
University College London · The AI Hub in Generative Models
将智能体集体视为部分组织类比，提出上下文交易成本机制，证明共享状态与自适应形式优于模仿人类团队的结构
📌 工作参考价值（4 点）
- 在电商搜索/推荐的多Agent工作流中，优先采用共享记忆或状态架构，避免严格角色隔离和有损消息传递，以保持上下文一致性。
- 设计自适应协作深度：简单查询由单Agent直接处理，复杂任务再动态调度多Agent协同，减少不必要的通信与相关性审议开销。
- 引入可检查的上下文快照与校验点，便于调试推荐逻辑链，确保多Agent推荐解释的一致性。
- 避免多个Agent产生高度相关的推理结果（类似群体思维），可通过注入多样性提示或独立记忆模块打破冗余，提升推荐多样性。
SkillHone：基于持久化决策历史的持续Agent技能进化框架
🧭 Agent技能持续进化 · 决策历史持久化
Tencent Inc.
通过持久化决策历史与角色分离子代理实现Agent技能的持续进化，超越商业deep-research agent
📌 工作参考价值（4 点）
- 技能进化与搜索推荐系统结合：将技能看作搜索推荐中的策略、召回规则或排序配置，用 SkillHone 的持久化历史管理这些策略的迭代，避免无效回退，每次修改都可追溯其诊断依据与实证反馈，适用于广告出价策略动态调整、推荐模型在线更新。
- 角色分离子代理用于多智体协作：引入 diagnosis、revision、evidence 等子代理分工，可迁移到电商 Query 改写或搜索建议生成场景，一个代理诊断当前 query 性能短板，另一个根据历史修订记录提出新的改写方案，通过实践探针评估后合入主流程。
- 实践探针机制做离线评估：在推荐系统中可抽检历史曝光样本作为探针，每次技能更新后重跑探针并比对效果，实现低成本、可复现的离线迭代，比全量 A/B 实验更快反馈。
- 决策历史作为知识资产沉淀：主动记录 agent 的决策过程（如为什么使用某个召回通道、为什么排序公式这样调参），形成可检索的知识库，让后续模型或工程师快速理解历史优化逻辑，减少重复实验。
InterleaveThinker：多智能体增强交错图像生成
🧭 多智能体交错生成 · 强化学习 ★ 深度解读
CUHK MMLab · Meituan · CUHK IMIXR
首个解耦规划与评判的多智能体框架，让任意冻结图像生成器具备强交错生成能力，并解决视觉过依赖与误差累积。
📌 工作参考价值（4 点）
- 多步决策解耦范式：面对长程任务时，可借鉴 Planner-Critic 分离设计，让 Planner 一次性生成全局计划以屏蔽中间视觉反馈，避免“过依赖”导致的中途停滞或目标漂移，Critic 专注局部校正。该设计可直接迁移至多轮对话推荐、商品序列生成等场景。
- 双奖励单步RL降本增效：提出的 accuracy reward（判断准确度）和 step-wise reward（精炼前后质量差）将全轨迹 RL 简化为单步 RL，大幅降低训练成本，适合长工具调用链的 Agent 训练。在电商文案生成、多步商品图编辑等长序列任务中，可仿效此策略设计局部奖励信号，实现高效全局优化。
- 高质量训练数据构造流水线：通过类别树、实体库和模板生成多样化种子提示，再用强模型生成完整规划-执行-评判轨迹，最后用迭代评分过滤并分裂为 SFT/RL 数据。该方法可用于构建 multi-agent 的规划-反思训练集，尤其适合推荐系统智能体或交互式内容生成场景。
- 基于评分方差的数据划分策略：将迭代评分方差大的样本专用于 RL，使 Critic 学习精炼能力；方差小的样本用于 SFT 冷启动。这一技巧可直接复用到任何“建议-执行-评价”的强化学习训练数据准备中。
CollabSim：基于CSCW理论的多智能体协作能力受控评估框架
🧭 多智能体协作能力评估 · CSCW理论指导
Northeastern University · Microsoft
将CSCW协作需求引入LLM多智能体评估，通过受控实验分离条件、模型和设计的影响。
📌 工作参考价值（4 点）
- 评估多智能体系统不应只看任务完成度，需借鉴CSCW理论诊断协作能力（共同基础、任务理解对齐等），用于优化电商Agent间的协调机制。
- 可通过受控操纵通信带宽、角色不对称等条件，在模拟环境中快速发现协作瓶颈，避免直接上线后暴露问题。
- 框架支持行动级探测智能体内部状态，可复用到推荐对话Agent或供应链协作Agent的行为归因分析，帮助定位模型或设计缺陷。
- 揭示了智能体设计效应依赖任务类型，提示业务中应针对不同协作场景（如实时竞价、联合推理）定制角色与通信协议，而非通用设计。
MLEvolve：面向自动化机器学习算法发现的自演化多智体框架
🧭 多智体长周期自演化与算法搜索 ★ 深度解读
Shanghai Artificial Intelligence Laboratory · East China Normal University
通过图搜索、回顾记忆与分层规划实现长周期自演化，在 MLE‑Bench 上以半数时间达到 65.3% 奖牌率 SOTA。
📌 工作参考价值（4 点）
- 图搜索 + 跨分支信息复用：Progressive MCGS 在有向图中引入引用边，允许非父‑子节点间的策略组合，可迁移到多方案 A/B 实验或推荐模型架构搜索，打破单支探索的信息孤岛。
- 动态经验积累：回顾式记忆将每次尝试的计划、结果、分析存入全局记忆，通过 BM25+FAISS 混合检索在规划和调试阶段自动召回相关经验，可直接用于 Agent 的“失败经验库”或营销策略迭代记忆。
- 规划‑编码解耦与自适应模式：分离“改什么”与“怎么改”，根据搜索阶段和代码成熟度在全量生成、模块化生成、diff 编辑间自动切换，能稳定长周期代码迭代，适用于 LLM 驱动的自动化特征工程或流水线优化。
- 渐进式探索‑利用调度：熵启发的软开关在 UCT 探索与精英引导利用间平滑过渡，可在有限计算预算（如广告竞价、推荐排序在线调参）下自动从宽探索收敛到高价值方向，避免后期资源浪费。
Strabo：声明式多智体交互协议的声明与实现
🧭 声明式交互协议与工业标准桥接 ★ 深度解读
North Carolina State University · Lancaster University
用声明式协议 Langshaw 精确建模工业电商交互标准 UCP，并通过桥接层实现与现有系统互操作。
📌 工作参考价值（4 点）
- 声明式协议减少隐式假设：像 Langshaw 那样显式定义角色、数据所有权（sayso）、动作因果依赖和排斥约束，可让电商多智能体交互（如结算、退货）更清晰，避免因文档不明确导致的实现错误。
- 桥接模式实现渐进迁移：ProxyAdapter + route() DSL 将声明式动作映射为 HTTP 调用，无需彻底推翻现有 REST API，就能逐步引入协议规范，适合已有推荐系统或电商中台的多 Agent 化改造。
- Enablement-based 编程降低合规成本：Peach 适配器自动计算当前可行的动作，业务 Agent 只需从可行动作列表中选择并绑定值，把协议合规从应用代码中抽离，可在大规模 Agent 部署中减少状态管理 bug。
- 显式版本化控制并发修改：增量协议中用组合键 (eid, v) 管理多次更新，避免直接覆盖状态，支持应用层灵活决策（如取最新版本），可为推荐流程中的会话状态管理提供参考。
智能体思维链转向：高效可控的 LLM 推理框架
🧭 LLM 推理控制 · 预算自适应策略转向 ★ 深度解读
University of California San Diego · Intuit AI Research
将推理过程建模为马尔可夫决策过程，用可训练的控制器代理在推理过程中动态选择策略和转向短语，实现预算感知的高效思维链转向
📌 工作参考价值（4 点）
- 分步导向的推理控制可迁移到多步业务任务：电商场景中的复杂客服、多轮谈判、商品对比推荐等需要长链推理的任务，可以采用类似的控制器-推理器架构，将推理过程分解为可引导的步骤（理解、规划、执行、检查、总结），在每一轮通过轻量级控制器选择最优策略短语，在保持答案质量的同时大幅降低 token 开销。
- 预算条件奖励塑形设计可控制生成长度与成本：论文提出的非对称奖励函数（正确但超预算降分，错误但未用尽预算加重惩罚）可直接用于推荐系统中的生成式文案或解释生成，通过设定 token 预算实现质量与成本的精细权衡，避免长而不实的输出或过早截断导致错误。
- 异步控制器-推理器部署架构降低延迟：将控制器与推理器部署为独立的 SGLang 服务器并通过异步 HTTP 通信，可以实现与直接批量推理相仿的吞吐量，这一架构可借鉴到在线推荐系统的多智能体编排中，以低延迟实现复杂的多步决策。
- 可解释的节省来源分解支持精准优化：论文将 token 节省区分为缩短正确答案、挽救错误尝试、提前终止错误路径等类型，业务系统可借鉴这种分类来定位推理环节的冗余部分，有针对性地优化推理策略，如减少不必要的验证轮次。
AutoSci：面向全科研生命周期的记忆中心多智能体系统
🧭 Agent · 多智能体协作与自进化科学发现 ★ 深度解读
Peking University
提出 AutoSci，通过结构化持久记忆、流程控制、多智能体增强与自进化，实现跨项目可复用的全周期科研自动化。
📌 工作参考价值（4 点）
- 借鉴 SciMem 的分区记忆设计：长期知识记忆（领域/论文/概念/方法/研究者等实体）与活跃研究记忆（想法/实验/稿件/评审）分离，电商 Agent 可类比用户兴趣图谱、商品知识库与当前会话状态的隔离，避免上下文污染与幻觉。
- SciDAG 的多智能体 DAG 编排模板：通过可复用的算子图（生成、辩论、精炼、评审等）自适应执行复杂任务，可用于推荐系统中的多路召回融合、策略辩论、解释生成等，条件边实现动态流程控制。
- SciEvolve 的自进化机制：将用户反馈、实验失败等信号转化为版本化更新，可迁移到 Agent 系统的持续优化中，例如定期分析对话失败模式，自动调整 prompt、工具选择或流程步骤，提升系统鲁棒性。
- 信任守护（Trust Guard）设计：对记忆写入进行形式与内容双重验证，可引入到电商知识库更新或模型生成内容的校验环节，避免错误信息传播至下游决策。
发现合作管道：序列社会困境的自动研究
🧭 多智能体合作 · 自动管道发现
Komorebi AI Technologies
外层AI代理自主重新设计内层LLM策略合成管道，在多智能体社会困境中超越手工基线并目标自适应注入公平机制
📌 工作参考价值（4 点）
- 可借鉴自动管道搜索范式：用外层智能体（如Coding Agent）动态编辑内层智能体系统的提示、反馈函数、迭代逻辑，自主发现更优协作策略，减少手工调参。
- 在电商多智能体场景（如多个推荐Agent竞价、协商）中，可目标自适应机制注入：当业务目标从效率转向公平（如GMV vs. 中小商家曝光）时，系统能自动引入公平约束，无需人工重设计。
- 通过信息设计（Information Design） 视角优化Agent行为：控制向有限理性Agent透露的信息（如修改反馈信号或辅助库），间接引导其决策，该方法可用于推荐系统中的多目标权衡。
- 工程上，可将外层研究Agent与内层合成管道解耦，实现持续自动实验：定期让R探索新管道，利用评估指标选择最优配置，降低人工维护成本并稳定方差。
ResearchMath-14K：基于多智能体的研究级数学推理数据集构建与训练
🧭 多智能体数据合成与推理训练
Seoul National University · OneLineAI · Yonsei University
首个大规模研究级数学问题数据集，结合多智能体过滤的推理轨迹微调，平均提升开源模型9.2个百分点
📌 工作参考价值（4 点）
- 多智能体协同构建高质量训练数据：可借鉴该 pipeline 思路，用多个 Agent 分工采集、清洗、验证电商/推荐领域的复杂任务数据（如生成式推荐中的 Semantic ID 映射规则或 Agent 协作指令），减少人工标注成本。
- 利用不完美推理轨迹提升模型性能：即使模型生成的推理路径存在错误，通过 agentic filtering（如自动检查步骤一致性、引用真实性）仍可提取有用监督信号，适用于低资源场景下的推荐模型微调或 Agent 策略学习。
- 避免生成中的虚构引用：论文揭示新模型产生更多虚假参考文献的现象，迁移到电商场景中，在生成式推荐或 Agent 对话系统里需设计引用验证机制，防止捏造商品属性或虚假用户评论，提升可信度。
- 开源数据集与 Agent 过滤策略可直接复用：ResearchMath-14K 的数据构建方法和过滤代码或可改造，用于生成电商问答、多轮对话的推理轨迹，通过类似 self-consistency 和 citation check 的机制提高数据质量。
一句话，一部剧：基于多智能体系统的个性化短剧生成
🧭 多智能体短剧生成与3D空间一致性 ★ 深度解读
Nanyang Technological University · National University of Singapore · Beijing Institute of Technology · Tsinghua University · University of Electronic Science and Technology of China
层次化多智能体框架将单句创意转为完整短剧，融合多智能体辩论、3D锚定首帧与多阶段评审，实现叙事节奏、空间一致性与制片质量协同优化。
📌 工作参考价值（4 点）
- 多智能体辩论与多阶段评审循环的设计可直接借鉴到电商/Agent场景的复杂内容生成（如商品创意脚本、虚拟主播对话），通过独立评委评比与局部修正提升输出质量，避免全盘重生成。
- 3D场景锚定与共享坐标系维持空间一致性的思路，可迁移至虚拟试穿、虚拟直播间的商品展示一致性，用简单3D重建约束多帧生成，防止物品漂移。
- 检索增强的剧本原子库（Pattern Bank、Logic Bank）为个性化推荐解释或创意生成提供了一种结构化知识复用模式，尤其适合高频、强节奏的内容创作。
- 但整体偏视频生成，与推荐、Agent优化的核心业务直接耦合度较低，价值主要在生成式内容的工程化与质量控制思想。
代码作为智能体基础设施：可执行、可验证、有状态的智能体系统综述
🧭 代码智能体基础设施与方法论综述 ★ 深度解读
University of Illinois Urbana-Champaign · Meta · Stanford University
将代码重新定位为智能体推理、行动和环境建模的可执行媒介，并提出三层框架统一代码智能体设计
📌 工作参考价值（4 点）
- 用代码作为推荐策略的可执行审计层：将推荐策略、规则或生成式推荐的推理步骤写成可执行代码（如 Python 脚本），通过执行反馈验证策略逻辑，实现可检查、可回滚的推荐决策，尤其适合电商场景需要业务可解释和合规审计的路径。
- 多智能体协作通过共享代码仓库协调：借鉴论文中 Manager/Planner/Coder/Reviewer/Tester 的角色分工，构建电商多智能体系统（如选品、定价、营销自动化的智能体团队），利用 Git 仓库和测试框架管理共享状态，实现冲突检测和集体验证。
- 动态工具生成与技能库复用：参考 Voyager 等系统的 lifelong skill library 思路，让推荐智能体在交互中自动生成并积累可复用的数据查询、特征工程或模型更新脚本，形成平台内的“技能市场”，降低重复开发成本。
- 执行反馈闭环提升可靠性：将推荐模型上线前的仿真评估或 AB 测试反馈接入代码执行循环，让智能体根据测试结果自动修正推荐逻辑或参数，实现自适应优化，减少人工介入。