动态注意力上下文范围：多代理 LLM 编排中独立的每个代理指导的代理触发焦点会话

多代理 LLM 编排系统遭受上下文污染：当 N 个并发代理竞争编排器的上下文窗口时，每个代理的任务状态、部分输出和未决问题会污染每个其他代理的转向交互，从而降低决策质量。我们引入了动态注意力上下文范围（DACS），这是一种协调器以两种不对称模式运行的机制。在注册表模式下，它仅保存轻量级的每个代理状态摘要（每个 <=200 个词元），保持对所有代理和用户的响应。当代理发出 SteeringRequest 时，协调器进入 Focus(a_i) 模式，注入代理 a_i 的完整上下文，同时将所有其他代理压缩到其注册表项。上下文隔离是代理触发的、非对称的和确定性的：上下文窗口在引导过程中恰好包含 F(a_i) + R_{-i}，消除了跨代理污染，无需上下文压缩或检索。我们通过四个实验阶段总共 200 次试验来评估 DACS：第 1 阶段在 {3,5,10} 中测试 N（60 次试验）；第 2 阶段测试代理异质性和对抗依赖性（60 次试验）；第 3 阶段测试决策密度高达 D=15（40 次试验）；第 4 阶段使用自主 LLM 代理进行自由形式的问题（40 次试验，Claude Haiku 4.5）。在所有 8 个合成场景中，DACS 的转向精度达到 90.0--98.4%，而平坦上下文基线的转向精度为 21.0--60.0%（始终 p < 0.0001），错误代理污染从 28--57% 下降到 0--14%，上下文效率高达 3.53 倍。精度优势随着N和D的增加而增大；关键字匹配由 LLM-as-judge 在所有阶段进行验证（平均 kappa=0.909）。在第 4 阶段，DACS 在 N=3 (p=0.0023) 时比平面背景基线高出 +17.2pp，在 N=5 (p=0.0008) 时比平坦背景基线高出 +20.4pp，随着 N 得到两名独立评委的确认，优势不断扩大。