本文以智能搜索技术在人机系统中的应用为出发点，提出了一种新的多智能体协作搜索方法，并通过实验结果表明，该方法优于传统的手动设计策略和传统树状搜索方法，并能够用于研究不同的人类创造性活动。

Jun, 2023

利用大型语言模型（LLMs），自主代理在处理各种任务方面取得了显著改进。我们引入了一种基于树状代理结构的自组织代理系统（S-Agents），用于动态工作流程，采用 “沙漏代理结构” 的方式来平衡信息优先级，并通过 “非阻碍式协作” 方法实现代理之间的异步任务执行。我们的实验证明 S-Agent 能够在 Minecraft 环境中高效执行合作建筑任务和资源收集任务，并验证了它们的有效性。

Feb, 2024

本文探讨了基于多代理系统理论（SMA）与大型语言模型（LLM）的计算实体的动态影响，这些实体的特点是能够模拟复杂的人类互动，作为一种从使用专门的人工代理支持运营业务流程到基于应用知识和人类编排的战略决策的革命可能性。我们展示了利用基于大型语言模型（LLM）的代理开发，通过考虑行为元素并由策略驱动，从而刺激基于使用案例在商业场景中生成知识的能力，利用代理之间的讨论方法（引导式对话），为组织战略提供潜力，基于多代理系统理论（SMA）和创新的大型语言模型（LLM）的应用，为不同的应用、复杂性、领域和 LLM 的能力提供了一种不同和可适应的实验。

Mar, 2024

提出使用共享的代理 - 实体图来建模多智能体相互作用，并利用基于图的强化学习训练代理实现协作行为，实现了对多种任务的有效解决，并展示了其泛化能力。

Jun, 2019

研究了多智能体策略在混合合作 - 竞争环境下的学习问题，提出使用图神经网络和强化学习联合训练的方法，并可以将其应用在异构多智能体行为的研究中。最终，提出了集合训练的算法，将对手 Agent 的策略融合到训练中，以提高团队的整体表现。

Jul, 2020

通过在模型中使用外部和宽波动的火源以及代理人收获和利用树木来解决植物收获和火灾传播之间的冲突，模拟生态系统工程策略的两种主要演化创新，并讨论其对复杂生态系统的人工智能管理的影响。

Dec, 2022

本研究采用多智能体相互作用的方法，开发了一个可扩展的具有现实物理和人类相关语义的竞争环境，旨在解决强探索环境中的问题，并进行了多项实验以获得简单的新兴策略和未来改进的具体方向。

Jan, 2023

通过引入具有连续模拟物理的具有挑战性的竞争性多智能体足球环境，我们研究了加强学习智能体中合作行为的出现。我们演示了分散、基于人口的联合训练能够导致代理行为的进步：从随机的行为到简单的球追逐，最终呈现出合作的迹象。我们进一步应用了一个由博弈论原理支持的评估方案，可以在没有预定义评估任务或人类基准的情况下评估代理的性能。

Feb, 2019

通过大规模智能体强化学习，在竞争和合作中研究了人工集体智能的出现，其中用 Lux 环境搭建了两个团队的大规模动态智能体，通过中央控制和自我协同演变，从单一技能到团队策略逐步发展，并分析了各种策略的出现，可为强化学习在大规模环境中的实现提供启示。

Jan, 2023

通过研究多智能体协作中增加智能体的性能以及神经扩展定律，本文提出了多智能体协作网络（MacNet）作为一种组织智能体并通过拓扑排序优化其交互推理的方法，实验证明 MacNet 在各种网络拓扑中表现优异，并且支持超过一千个智能体之间的协作；此外，还观察到拓扑结构类似小世界性质时协作效果更好，并提出协作扩展定律，表明协作性能随着智能体数量的增加而服从逻辑增长模式，且协作效果较神经扩展更早地出现。

Jun, 2024