Dieses Papier stellt ein LLM-geführtes Multi-Agenten-Framework für das frühe Ingenieurdesign vor, das einen „Human-in-the-loop“-Ansatz und formales Risikomanagement integriert. Es nutzt spezialisierte Agenten, um Designkandidaten zu erkunden und zu selektieren, demonstriert am aerodynamischen Tragflächendesign.
Diese 11-monatige longitudinale Fallstudie analysiert den Einfluss von agentischer Personalisierung im Marketing, indem sie aktives menschliches Management mit autonom agierenden Agenten vergleicht. Die Ergebnisse deuten darauf hin, dass aktives menschliches Management den größten Anstieg bei den Engagement-Metriken bewirkt, was Fragen zur dauerhaften Leistung ohne Aufsicht aufwirft.
Dieses Papier stellt die Human-in-the-Loop Meta Bayesian Optimization (HL-MBO) vor, ein Framework, das Expertenwissen mit Few-Shot-Maschinenlernen kombiniert, um die Entdeckung in datenarmen wissenschaftlichen Bereichen zu beschleunigen. Es übertrifft aktuelle BO-Methoden bei der Optimierung des Fusionsenergieertrags sowie bei Benchmarks in der Moleküloptimierung und Supraleitung.
DeepSlide ist ein Mensch-in-der-Schleife-Multiagentensystem, das den gesamten Präsentationslieferprozess optimiert, von der narrativen Planung bis zur Probe, und über reine KI-Folien-Generatoren hinausgeht, die sich nur auf das Artefakt konzentrieren. Es integriert einen steuerbaren logischen Kettenplaner, Inhaltsabruf und führt einen neuen Dual-Scoreboard-Benchmark zur Bewertung sowohl der statischen Artefaktqualität als auch der dynamischen Vortragsleistung ein.