时间中的对齐：面向长时程Agentic系统的峰值感知编排

传统AI对齐主要关注单次模型输出，而长时程工作流中的自主智能体需要在整条交互轨迹上持续可靠。我们提出APEMO（Affect-aware Peak-End Modulation for Orchestration），一个运行时调度层，通过操作化时间—情感信号，在固定预算下优化计算资源分配。APEMO不修改模型权重，而是通过行为代理指标检测轨迹不稳定，并将修复集中于峰值时刻与结尾等关键片段。在多智能体仿真与基于LLM的规划—执行流程上的评估表明，APEMO相对结构性编排器持续提升轨迹级质量与复用概率。结果将对齐重构为一个时间控制问题，为长时程Agentic系统的开发提供了一条有韧性的工程路径。