本研究提出了一种新颖的状态建模框架，旨在解决多智能体深度强化学习中的合作学习挑战。该框架通过推断非可观察状态的信念表征，优化智能体的探索和合作策略。实验结果表明，MARL SMPE算法在复杂合作任务中表现优于现有算法。

本研究探讨了在软件工程中引入基于大型语言模型的多智能体系统时的人机协作信任问题，提出了一种基于RACI的框架，以提高协作效率、确保责任落实并降低自动化风险，未来计划进行实证验证。

本研究提出了STRUC-MAS框架，旨在解决医学诊断中专家团队协作的复杂性。该框架通过自动学习全球模型，显著提高了急性肾损伤的预测准确率，强调了全球结构学习在分类和诊断推理中的重要性。

本研究提出了TCTO框架，通过图驱动路径优化实现特征工程自动化，解决了现有特征转换方法孤立操作的问题。该框架建立了不断演化的交互图，提升了操作有效性和探索稳定性，实验结果在多个数据集上表现优越。

本研究系统调查了多智能体辩论框架中的监狱破解攻击漏洞，提出了结构化提示重写框架，显著提高了系统脆弱性，攻击成功率超过80%，强调了加强安全防护的必要性。

本研究提出了一种基于大语言模型的多智能体自主机电设计框架，旨在克服现有框架在复杂工程任务中的局限性。该框架整合了机械设计、优化、电子和软件工程的专业知识，能够在最小的人为输入下自主生成功能原型，并在水质监测中验证了其有效性，展现出显著潜力。

本研究提出了“必要时才争辩”框架，以降低多智能体协作在提升大型语言模型推理能力时的计算开销和错误风险。该框架通过选择性激活争辩过程，提高效率并保持或超越现有系统性能，实验结果表明其能减轻错误传播，促进可靠响应的整合。

本研究提出了一种利用大型语言模型（GPT-4o）自动生成适应性网络的方法，以解决动态环境下自适应规划的不足。实验结果表明，该方法生成的网络在通用性上优于手动构建的网络，推动了机器人、自动驾驶汽车和智能系统等领域的发展。

本研究提出了一种基于大型语言模型的多智能体系统迭代检索方法，通过动态知识优化查询，避免偏见强化。该系统在复杂任务中表现出更高的检索精度和效率，优于传统方法。

本文研究了大型语言模型（LLM）智能体在竞争性多智能体环境中的成功因素，采用拍卖作为测试平台。分析表明，角色特征影响智能体表现，竞争者行为可用于建立优势，为理解多智能体工作流提供新见解。

本研究提出KARMA框架，通过九个协作智能体实现无结构文本的自动分析，解决知识图谱维护中的手动整理问题。实验结果表明，该方法成功识别了38,230个新实体，验证准确率达到83.1%，并减少了18.6%的冲突边。

本研究提出了一种新型混合模型，用于生成多模态智能体行为，解决多智能体仿真中的行为多样性和闭环分布偏移问题，显著提升了仿真精度，并在WOSAC基准上表现优异。

本研究提出了一种基于动态路由和监督机制的多智能体框架，以提高自动化心理咨询的有效性。实验结果表明，AutoCBT在服务质量和适用性方面表现优异。

本文提出了一种新方法，用于验证回合制多智能体强化学习（TMARL）代理在随机多玩家游戏中的合规性，克服了现有验证方法的局限性，实验结果表明其有效性和良好的可扩展性。