专注即一切：多智能体图系统的自适应目标感知注意力编排

arXiv 新论文提出 Adaptive Goal-aware Attention Orchestration (AGAO) 框架，用于多智能体图系统。该框架通过目标感知、拓扑感知和资源感知三种注意力机制，动态评估每个智能体对用户目标的重要性，优先执行关键推理路径。实验表明，相比现有图执行策略，AGAO 提升了任务有效性，同时减少了不必要的计算、延迟和 token 消耗。

此前多智能体图系统通常均匀执行所有节点，导致资源浪费。AGAO 首次将 Transformer 的注意力机制延伸到工作流级，动态识别并聚焦高价值推理路径，在保持效果的前提下显著降低计算成本。

AGAO 包含三个并行注意力组件：目标感知注意力衡量智能体与用户目标的语义相关性；拓扑感知注意力建模图结构中的依赖关系；资源感知注意力根据预算和优先级分配执行权重。三者综合输出每个智能体的重要性分数，指导执行调度，本质是计算资源的目标导向再分配。

对于构建多智能体工作流的产品（如自动化客服、代码生成流水线），AGAO 可直接降低调用 LLM 的 API 成本与响应延迟，同时保持或提升任务质量。研发团队需改造现有图编排逻辑以集成注意力评分模块。

• 在智能客服系统中，根据用户意图动态优先激活相关子智能体（如退款、技术支持），减少无关节点调用。
• 在自动化数据分析流程中，基于查询目标跳过低相关度数据清洗或可视化节点，节省算力。
• 开发插件式注意力编排中间件，供现有 LangGraph、CrewAI 等框架集成，提升资源利用率。

• AGAO 在不同规模（数十至数百个智能体）下的实际性能与扩展性表现如何？
• 该框架是否需要额外训练或微调 LLM 来生成注意力分数？
• 论文中对比的基线具体包括哪些主流系统（如 AutoGPT、MetaGPT）？
• 该框架是否已开源，能否直接用于生产环境？