119 artigos
Este artigo propõe a "engenharia de contexto" como uma disciplina fundamental que, juntamente com a engenharia de intenções e especificações, forma um modelo de maturidade em pirâmide para superar as limitações da engenharia de prompts e permitir a implantação escalável e segura de sistemas multiagentes corporativos.
O artigo apresenta o FetalAgents, o primeiro sistema multi-agente que orquestra especialistas de visão computacional para analisar ultrassons fetais em vídeo e gerar relatórios clínicos estruturados, superando modelos existentes em precisão e adaptabilidade ao fluxo de trabalho clínico.
O artigo propõe um sistema de coerência de capacidades (CCS) que mapeia modelos de consistência de memória para revogação de autorização, demonstrando através de simulação que a estratégia RCC reduz drasticamente operações não autorizadas em comparação com métodos baseados em tempo, garantindo limites de segurança independentes da velocidade dos agentes.
Este artigo propõe um framework leve que parametriza prompts como ações para influenciar o comportamento de diálogos em sistemas multiagentes baseados em LLMs sem necessidade de treinamento, demonstrando sua eficácia em controlar dinâmicas conversacionais e simular interações sociais.
Este artigo estende a equação das abelhas para um modelo baseado em agentes que incorpora valência e excitação emocionais como moduladores das taxas de interação, demonstrando como a contágio emocional e os pontos de virada estruturais influenciam a formação de consenso e a velocidade de decisão em sistemas coletivos.
Esta pesquisa de revisão examina a aplicação da teoria da utilidade na modelagem cognitiva de sistemas robóticos, analisando a evolução desde arquiteturas comportamentais até sistemas de valor em agentes individuais e multiagentes, e propõe direções futuras e problemas em aberto para o desenvolvimento de interações robóticas estáveis e confiáveis.
O estudo demonstra que agentes de aprendizado por reforço sem contexto podem desenvolver uma "colusão ingênua" em jogos repetidos, onde a emergência desse comportamento anticompetitivo depende criticamente da sincronia das ações e do tipo de política de exploração utilizada, variando de impossível em algoritmos persistentemente aleatórios a inevitável em algoritmos determinísticos.
O artigo propõe o método SGV (Self-Grounded Verification) para mitigar o viés de concordância em Verificadores de LLMs Multimodais, permitindo que eles gerem priores independentes antes de avaliar trajetórias, o que resulta em detectores de falhas mais precisos e alinhados com humanos, melhorando significativamente o desempenho de agentes em tarefas de navegação web, uso de computador e robótica.
Este estudo estabelece limites empíricos para a inferência comportamental em escala, revelando uma assimetria fundamental onde as motivações são inferidas com precisão quase total, enquanto os sistemas de crenças atingem um teto de desempenho limitado pela arquitetura e pela ambiguidade inerente dos comportamentos, mesmo com o uso de agentes LLM e aprendizado curricular.
O artigo apresenta o SelfOrg, um framework de auto-organização estocástica para sistemas multiagentes baseados em LLMs que otimiza dinamicamente a comunicação entre agentes sem supervisão externa, utilizando valores de Shapley para construir grafos direcionados que garantem a propagação eficiente de respostas de alta qualidade e demonstram ganhos significativos de desempenho, especialmente com modelos mais fracos.
O artigo apresenta o FOR-Prompting, um protocolo de prompt assimétrico que melhora a precisão e a qualidade de respostas de modelos de linguagem, inclusive em dispositivos com recursos limitados, ao estruturar uma interação onde um "Defensor" propõe soluções e um "Debatedor" formula objeções sem oferecer correções diretas, permitindo refinamento iterativo sem necessidade de treinamento ou acesso aos parâmetros internos do modelo.
O artigo apresenta o CRAwDAD, um framework de debate entre dois agentes que aprimora significativamente a precisão da inferência causal em modelos de linguagem de raciocínio ao simular um diálogo crítico entre hipóteses concorrentes, alcançando ganhos substanciais de desempenho em tarefas complexas como as do conjunto de dados CLadder.
O artigo apresenta o MAS-Orchestra, um framework de treinamento que formula a orquestração de agentes como um problema de aprendizado por reforço para gerar sistemas multiagentes de forma holística, e o MASBENCH, um benchmark controlado que demonstra que os benefícios dos sistemas multiagentes dependem criticamente da estrutura da tarefa, permitindo melhorias consistentes e eficiência superior em diversas tarefas de raciocínio.
O artigo apresenta o LatentMem, um framework de memória multiagente aprendível que supera as limitações de homogeneização e sobrecarga de informação existentes ao sintetizar memórias latentes compactas e específicas para cada agente, otimizando-as através da Política de Otimização de Memória Latente (LMPO) para alcançar ganhos de desempenho significativos sem modificar os sistemas subjacentes.
Este artigo apresenta um novo benchmark multi-KPI no ambiente CityLearn para avaliar algoritmos de Aprendizado por Reforço Multiagente (MARL) no controle de energia urbana, demonstrando que abordagens de Treinamento Descentralizado com Execução Descentralizada (DTDE) superam consistentemente as centralizadas, enquanto o aprendizado de dependências temporais melhora a sustentabilidade da bateria e a resiliência do sistema.
Este artigo apresenta uma abordagem sistemática para avaliar algoritmos de aprendizado por reforço multiagente na alocação de recursos em redes C-V2X, utilizando um conjunto de benchmarks e dados gerados por simulação para identificar que a robustez e a generalização das políticas em topologias veiculares diversas são os principais desafios, demonstrando também a superioridade de métodos ator-crítico sobre abordagens baseadas em valor.
Este estudo avalia quatro topologias de agentes de IA para diagnóstico de doenças raras e conclui que, embora arquiteturas multi-agente complexas não garantam melhorias gerais na precisão, a topologia hierárquica supera as demais e todas as configurações multi-agente demonstram superioridade específica em categorias como doenças ósseas e torácicas, sugerindo a necessidade de seleção dinâmica de topologias.
Este artigo investiga jogos em grafos concorrentes com n jogadores cooperativos que utilizam randomização distribuída (sem fonte de aleatoriedade compartilhada), demonstrando que estratégias sem memória são suficientes para o problema de limiar (NP-difícil e em ) e que o problema de quase-certeza é NP-completo, além de propor a lógica IRATL e um solver prático para essas questões.
O artigo apresenta o NarrativeLoom, um sistema de co-criação baseado na teoria de Variação Cega e Retenção Seletiva de Campbell que, ao empregar múltiplas personas de IA e seleção humana, demonstrou em um estudo controlado com 50 participantes melhorar significativamente a originalidade, diversidade e qualidade objetiva das histórias criadas, especialmente para usuários iniciantes.
Este artigo propõe uma nova abordagem hierárquica que combina aprendizado por imitação e reforço para permitir que agentes em equipes ad hoc identifiquem dinamicamente quando cooperar ou agir sozinhos diante de objetivos heterogêneos, superando métodos existentes em ambientes cooperativos estendidos.