AgenticX
AgenticX 開源框架登場：一站式多代理平台瞄準生產級應用
GitHub 上出現一個名為 AgenticX 的新開源專案，定位為統一、可擴充且可投入生產的多代理平台。該專案以 Python 為主要語言，提供 Python SDK、命令列工具 agx、Studio 伺服器與 Machi 桌面應用程式，涵蓋從開發到部署的完整工具鏈。
多代理系統
深度分析
AnovaX 本地多代理語音助理：LLM 規劃與自適應恢復機制
隨著語音助理逐漸雲端化，AnovaX 提出本地多代理架構，結合 LLM 計畫、類型化執行器與自適應恢復機制，支援手機遠端控制與即時螢幕串流，實現在筆電上全程離線操作，提升隱私與可控性，同時展示開源方案相較於商業雲端助理的可檢視與安全優勢與開放性。
深度分析
開源多代理平台 BrainPilot：結合知識庫與 Graph of Trace 實現腦科學全流程自動化
隨著腦科學需整合跨尺度與跨模態證據，BrainPilot以多代理協作、統一知識庫與可追溯圖譜自動化研究流程，並加入審核代理防止捏造，實驗顯示在成本與時間上優於傳統框架，顯著提升研究效率。系統以圖譜記錄每一步驟，支援研究者檢視與驗證，且在公開基準測試中與最先進框架表現相當。
深度分析
超級遊戲理論於多代理系統的感知不一致與層級信念分析
面對多代理系統的感知不對稱與層級信念，研究者系統回顧超級遊戲理論，指出階層與圖形模型在欺騙推理上主導，且HNF應用仍少；同時比較RedQueenGodelMachine與參數化開源博弈，顯示超級遊戲在自我演化與合作誘導上具潛力，有望提升安全防護與人機協同。
深度分析
多代理系統結合微調小型語言模型的電信網路自動化故障排除方案
隨著電信網路規模與複雜度提升，傳統故障排除仍仰賴人工專家。研究提出結合大型語言模型協調與微調小型語言模型的多代理系統，透過自動化規劃與執行快速定位根因。系統內含協調者、解決方案規劃器、資料檢索與根因分析等六個專職代理，於 RAN 與核心網路均驗證成效。
深度分析
QAgent：利用多代理系統與 LLM 自動化 OpenQASM 量子程式設計
隨著NISQ裝置展現量子優勢，OpenQASM程式設計門檻高。QAgent以多代理結合任務規劃、少樣本學習、檢索增強生成與思考鏈推理，自動產出與除錯QASM程式，正確率提升逾七成，同時支援長期記憶與工具調用，預計降低量子開發門檻，促進AI代理與量子計算的跨域融合。
深度分析
MasFACT：結構記憶與 FGW 對齊的持續多代理拓撲學習方法
MasFACT 提出一套幾何感知的後驗證轉移機制，專為大型語言模型驅動的多代理系統（MAS）在持續任務流中防止拓撲遺忘而設計。透過融合 Gromov‑Wasserstein 最適傳輸將歷史高效合作結構作為可轉移的拓撲先驗，並以 PAC‑Bayes 引導的保守後驗調整平衡新任務的可塑性與結構的穩定性。
深度分析
結合 Agentic AI 與 RAG 的保險承保自動化：效能比較與產業趨勢
隨著人工智慧從規則自動化演進至Agentic系統，本文以小型商業保險BOP的全自動承保為例，比較單一大型語言模型、簡易檢索增強生成與多代理AgenticRAG三種管線，結果顯示多代理架構在多步驟與資訊缺失情境下能顯著提升決策正確率與可追溯性。
深度分析
Danus：事實圖記憶驅動的多代理系統提升研究級數學推理效能
隨著大型語言模型應用於研究級數學推理，協調多代理並管理中間結果成挑戰。Danus 以共享事實圖作為全域記憶，主代理規劃、工作代理平行搜尋、無狀態驗證器核對，將證明片段組成有向無環圖。實驗顯示在代數幾何、奇點理論與組合學六個案例中，系統能在數天內產出完整論文，證明事實圖編排可提升長程數學問題的可擴展性。
速報
SocaSim：LLM 多代理模擬平台驗證 Putnam 社會資本理論
研究以Putnam社會資本理論為基礎，開發LLM多代理模擬平台SocaSim，結合社群網路、信任與規範演化，重現宏觀模式並解析微觀因果。結果顯示平台可在智慧長照情境下提供可解釋的過程分析。此方法亦為社會科學與計算科學的跨領域合作提供新範式。
深度分析
Agent4cs：多代理工作流提升大型階層式程式碼庫摘要效能與可讀性
隨著大型程式碼庫缺乏文件與結構複雜，Agent4cs提出以關鍵字抽取與品質保證的多代理框架，採自底向上方式生成階層式摘要，結合七種前沿大型語言模型，於真實資料集測試提升語意相似度約8%，關鍵字覆蓋率最高提升38%，顯示此架構可改善跨目錄資訊整合，對未來AI開發者生態與企業代碼治理具潛在影響。
深度分析
EntropyRuntime 齒輪機制：提升單體與多代理系統的安全與治理
隨著大型語言模型與機器人自律系統普及，安全與穩定成為關鍵挑戰。研究提出EntropyRuntime，以五段齒輪與效用門檻管控行動，並結合SMARt治理模型，實驗在三台UR5機械手臂上達到99.6%異常偵測率，顯示分散式安全機制可大幅提升多代理協作的可靠性。