微软MVP聚技站将于2025年5月14日举办分享会，主题为基于AutoGen和Semantic Kernel的多智能体系统实践经验。专家苏震巍将介绍MAS的应用及开源工具，助力开发者掌握前沿技术。

本研究提出HRLFS方法，利用大型语言模型提取特征，解决强化学习在复杂数据集中的特征选择效率低的问题，从而提升机器学习性能并优化计算时间。

本研究提出TCTO框架，通过图驱动路径优化解决特征转换方法的孤立问题，实现特征工程自动化，实验结果在多个数据集上表现优越。

本研究解决了在复杂任务中评估大型语言模型（LLMs）判断时面临的偏见和错误问题，并探讨了如何在多个潜在LLM响应中选择合适判断的方式。提出的三阶段元评估选择流程，通过与人类专家合作开发全面评分标准，并利用多个LLM智能体进行协作评分，显著提高了判断的准确性，实验结果表明，相较于传统方法，准确性提升了约15.55%。

本研究提出了一种多智能体框架，结合语言模型、视觉生成和语音合成，旨在自动化传统秦腔戏剧制作，生成文化基础的剧本、舞台场景和情感丰富的表演，为传统艺术保护提供新方法。

多智能体系统通过LangGraph和GPT-4，将单一AI助手转变为多个协作智能体，每个智能体负责特定任务，从而提升解决复杂问题的能力。LangGraph使用户能够轻松创建和管理智能体的工作流程，实现高效协作。

本文探讨了多智能体提货与送达（MAPD）问题，提出了神经ATTF框架，通过优先处理延迟代理和动态任务分配来提升系统效率。实验结果表明，神经ATTF在可扩展性和计算效率方面优于现有算法，展现了良好的应用潜力。

本研究解决了多机器人系统在协同实现团队目标时的安全控制问题，尤其是在传统算法训练不稳定的情况下。通过引入约束优化的表面形式，并提出了一种新颖的集中训练和分布执行的多智能体强化学习算法Def-MARL，该方法在多个任务中展现出最佳性能且保证安全约束。通过真实硬件实验，验证了Def-MARL安全协调智能体完成复杂任务的能力。

本研究提出了多智能体框架CircuitMind，旨在提高大型语言模型在硬件设计中的效率，显著提升电路设计效率，55.6%的模型超越了顶尖人类专家。

本文探讨利用多智能体强化学习提升大语言模型的元思维能力，解决幻觉现象和自我评估机制缺失的问题，提出增强其可靠性和适应性的方案。