天津大学联合清华和卡迪夫大学推出RESCUE系统，把「大脑感知-决策-行动」循环搬进电脑，让数百个虚拟人同时在线逃生：他们能实时看见地形、同伴和出口，自动绕开障碍，年轻人快跑、老人慢走、残疾人蹒跚；系统还能把身体24个部位的碰撞力用颜色实时标出来，帮助设计师提前找出潜在风险区域，也能用来演练地铁火灾、演唱会疏散等公共安全场景。
在这篇文章中，它详细展示了如何构建一个有效的多智能体研究系统，这是一个架构，其中主代理（The Lead Agent）会生成和协调子代理（Subagents)，以并行方式探索复杂查询，内容涵盖系统架构、提示工程以及评估方法等。
最近，关于大模型推理的测试时间扩展（Test time scaling law ）的探索不断涌现出新的范式，包括① 结构化搜索结（如 MCTS），② 过程奖励模型（Process Reward Model ）+ PPO，③ 可验证奖励 （Verifiable Reward）+ GRPO（DeepSeek R1）。
在推出 AI 角色扮演出海应用「Saylo」后，元象团队将目光投向了 AI 游戏领域，尝试用大模型重构“无限剧情”的叙事体验。「昭阳传」是一款以穿越题材为框架的 AI 文字冒险游戏，能实现多智能体决策与动态演绎。
大模型驱动的 AI 智能体（Agent）架构最近讨论的很激烈，其中一个关键争议点在于： 多智能体到底该不该建？
嘿，大家好！这里是一个专注于前沿AI和智能体的频道~
LLM 智能体的时代，单个 Agent 的能力已到瓶颈，组建像 “智能体天团” 一样的多智能体系统已经见证了广泛的成功
近年来，大型语言模型（LLM）在处理复杂任务方面取得了显著进展，尤其体现在多步推理、工具调用以及多智能体协作等高级应用中。这些能力的提升，往往依赖于模型内部一系列复杂的「思考」过程或 Agentic System 中的 Agent 间频繁信息交互。
Anthropic 前两天发了一篇文章，重点讨论了他们是如何通过多智能体系统来构建 claude 的“深度研究功能”。
昨天最热的的两篇文章是关于多智能体系统构建的讨论。 先是 Anthropic 发布了他们在深度搜索多智能体构建过程中的一些经验，具体：包括多智能体系统的优势、架构概览、提示工程与评估、智能体的有效评估等方面。
