训练与交互方式革新：OrchRM 提出无需人工标注的奖励建模，可自动评估多智能体编排质量（arXiv）。最新研究还探索了智能体直接读取对方内部状态实现学习（berryxia），以及 Strabo 通过声明式协议兼容 Google UCP 标准，简化智能体间交互（arXiv）。TinyFish 开源的 BigSet 系统则允许用户用自然语言描述快速生成结构化实时数据集（marktechpost），降低了 MAS 应用门槛。
规模化与可靠性研究并行：LangChain 推出的 Deep Agents 架构聚焦于构建可靠的深层次多智能体系统（LangChain）。另一方面，对 LLM 级联中幻觉传播的分析（arXiv: DeepSeek）揭示了多步推理中错误累积的风险，促使社区在设计时更关注鲁棒性。
当前焦点 / 未来观察点
当前 MAS 的研究焦点集中在：如何平衡智能体自主性与人机协作效率，如何设计通用化交互协议（如 Google UCP、Strabo），以及如何缓解级联放大导致的错误。未来需关注 DeepMind 等机构联合发起的 1000 万美元 AI 群体行为研究基金（Google DeepMind）能否推动共识形成，以及开源生态（如 BigSet、Rippling AI）对行业应用的下沉效应。