图书信息
内容简介
对 arXiv cs.MA 分类的年度综述，涵盖 2025 年 9 月 至 2026 年 8 月 期间发表的研究。本卷基于对 132 篇论文 的细读整理，组织为 37 章，按该领域的研究子方向描绘这一年的全貌。
全书框架（年度产出占比）：
- 大语言模型驱动的多智能体任务推理与协同 (57.0%) — 本聚类聚焦利用大语言模型使自主智能体在多智能体环境中推理、协同并处理复杂动态任务。
- 社会仿真与生成式多智能体系统 (32.7%) — 本聚类处理面向社会、车辆与运营系统的生成式多智能体仿真的发展，利用提示与图建模复杂交互。
- 合作式深度多智能体强化学习 (3.4%) — 本聚类聚焦推进合作式多智能体强化学习算法，关注联合动作空间中的策略优化、奖励设计与探索。
- 智能体工作流编排与工具整合 (2.2%) — 本聚类研究编排工作流、整合工具并在复杂信息丰富环境中改进决策过程的智能体系统。
- 博弈论多智能体学习与均衡分析 (1.6%) — 本聚类探索多智能体系统中的博弈论模型、纳什均衡收敛与战略交互，包括基于大语言模型的智能体与自博弈。
- 智能体系统的自适应记忆与集体智能 (1.1%) — 本聚类聚焦为长期与演化中的多智能体系统发展自适应记忆机制、协议与集体智能框架。
- 多模态数据整合与临床多智能体应用 (0.8%) — 本聚类处理多智能体系统中异构多模态数据的整合，应用于医疗保健、可视化与实时决策支持。
- 去中心化优化与稳健多智能体架构 (0.4%) — 本聚类聚焦为受限与动态环境中的现实部署设计稳健的去中心化优化算法与多智能体架构。
- 安全、治理与风险感知的战略协同 (0.4%) — 本聚类处理在受监管或高风险市场中运行的多智能体系统的安全约束、治理政策与风险感知战略决策。
- 多智能体系统的基准测试与自动评估 (0.2%) — 本聚类聚焦发展基准、评估框架与自动测试方法，以评估多智能体系统的性能与失败模式。
- 下一代多智能体系统的涌现范式与关键使能技术 (0.1%) — 本聚类探索多智能体系统中的涌现范式、关键使能技术与变革性转变，包括联邦学习与可解释监管。
每个子方向均通过三章展开论述——它如何提出自己的问题、其关键结论的强度，以及它开放的争论与前沿，从而让读者获得该领域今年实际产出的可溯源图景。
