2025 年，Agent 大爆发，直接封神

有人问，Agent是大趋势吗？是该追的风口吗？答曰：是。尤其在DeepSeek爆发后，Agent成为各行业刚需建设项，预计不久将全面渗透基础设施、软硬件平台、各类服务，市场空间巨大，生意机会肉眼可见。

更重要的是，Agent门槛低，还有降低应用开发门槛、简化流程复杂度两大优势，不仅好出成果，也方便我们开发落地项目。谷歌还为此发布过最新的321个Agent落地案例，都是全球顶尖企业，涵盖了6大核心场景，想做相关项目的科研人必看！

为帮助大家了解前沿，系统构建Agent开发的知识体系，我特别整理了117篇论文，包含19篇开发必读(建议按基础架构→训练优化→应用与Agent顺序学习)、40篇顶会必读(CVPR25、ICLR25)。再加上部分综述以及Agent构建、应用、评估类论文，无偿分享给大家~

部分顶会论文解析：

mutil-agent

MCCD:Multi-Agent Collaboration-based Compositional Diffusion for Complex Text-to-Image Generation

方法：论文提出了一种名为MCCD的方法，用于复杂场景的文本到图像生成。它通过多智能体协作解析文本提示中的对象、关系和布局等信息，然后利用层次化扩散模型进行图像生成，确保生成的图像更符合文本描述且具有高真实感和美学效果。

创新点：

• 提出多智能体协作的场景解析模块，通过不同任务的智能体精确解析文本中的复杂场景元素。
• 设计层次化组合扩散模块，利用动态融合、区域增强和平滑技术生成高质量复杂图像。
• 无需训练即可显著提升基线模型在复杂场景生成中的性能。

Learning to Detect Objects from Multi-Agent LiDAR Scans without Manual Labels

方法：论文提出了一种名为DOtA的方法，用于无监督的3D目标检测。它通过多智能体协作，利用共享信息生成高质量的伪标签，并通过对比学习优化特征学习，从而提高检测性能。

创新点：

• 提出了一种无监督的多智能体3D目标检测方法DOtA，利用智能体间的共享信息初始化检测器，无需外部标签。
• 设计了多尺度边界框编码模块，通过多智能体的互补观测筛选高质量标签。
• 引入标签内部对比学习方法，利用高质量标签引导正确的特征学习，提升检测性能。

单agent

Font-Agent: Enhancing Font Understanding with Large Language Models

方法：论文提出了一种名为Font-Agent的智能体，基于VLM，通过增加EAT模块和D-DPO策略，专门用于字体质量评估和解释字体内容。它使用大规模多模态数据集进行训练，能高效评估字体质量并解释问题，表现优于现有方法。

创新点：

• 构建多语言字体评估数据集DFD，含135,000手动标注样本，为研究提供基础。
• 出Font-Agent框架，结合VLM和EAT模块，提升字体质量评估准确性。
• 引入D-DPO策略，优化训练，增强模型对细节的敏感性和评估可靠性。

ATA: Adaptive Transformation Agent for Text-Guided Subject-Position Variable Background Inpainting

方法：论文提出ATA智能体，用于文本引导的主体位置可变背景修复。通过PosAgent预测位移，RDT模块转换特征图防变形，及位置切换嵌入控制主体位置，生成和谐修复图像。

创新点：

• 提出“文本引导的主体位置可变背景修复”新任务，动态调整主体位置以匹配背景。
• 设计ATA框架，包含PosAgent模块预测位移和RDT模块反向转换特征图，避免主体变形。
• 引入位置切换嵌入，灵活控制主体位置动态调整或固定。

参考文献链接：https://mp.weixin.qq.com/s/zh88XyZq276a7k5ZmW7JcA