深度分析
CatalogAgent：利用監督者代理人與上下文工程實現電商目錄自我學習
電商產品目錄常面臨屬性值缺失或錯誤的挑戰。研究團隊推出 CatalogAgent 系統，透過監督者代理人調解生成器與評估器的輸出衝突，並將調解經驗存入記憶庫。系統利用記憶總結器將個案經驗轉化為上下文工程指令，回饋給輕量級模型以實現自我學習。實驗證明此機制可顯著提升屬性預測準確率，為生成式 AI 的自動化品質提升提供新路徑。
Multi-Agent System
深度分析
Multi-Agent 系統正確性成本分析：如何佈署強大校正器以優化共識誤差？
在多代理系統中，使用少數強大模型校正大量廉價模型已成趨勢。本研究將代理群體建模為圖共識，提出一套成本耦合的校正模型，證明錯誤減少量具備次模性，讓貪婪演算法能高效找出最佳佈署位置與數量。研究發現校正策略取決於任務的成本品質曲率，對事實驗證應分散佈署，而程式碼追蹤則傾向集中投資，為 AI 系統的預算配置提供理論基礎。
深度分析
EmoMAS：將高風險談判技巧與情緒感知能力導入邊緣運算裝置
研究人員推出 EmoMAS 框架，利用貝葉斯編排協調多個專業代理人，讓小型語言模型能在邊緣裝置上處理高風險談判。透過將情緒視為戰略變數，EmoMAS 提升了 AI 談判者的情緒智能與成功率，並解決了私密性與運算成本的問題。