AutoRAS：基於原始表示學習的魯棒智能體系統自動化設計框架

本文針對當前多智能體系統在設計時往往忽視魯棒性、易受外部攻擊和內部故障影響的問題，提出了AutoRAS框架。該框架將系統設計轉化為生成編碼結構連接與行為動作的符號原始表示序列，並利用執行的安全信號和基於流的序列級目標進行優化。實驗表明，AutoRAS在常規及對抗設置下均取得最佳性能，且在遭受攻擊時性能下降最小。此外，該方法展現出強大的可遷移性、穩定的優化行為以及對不同原始表示集合的適應性，同時在成本效益上表現優異，為構建高可靠性的智能體系統提供了新範式。