面向token高效协调的相位调度多智能体系统

由大语言模型驱动的多智能体系统（MAS）遭受严重的令牌低效，其来源有二且相互叠加：（i）非结构化的并行执行，所有智能体不论输入是否就绪都同时激活；（ii）不受限的上下文共享，每个智能体不论相关性如何都接收全部累积上下文。现有缓解策略——静态剪枝、层次分解与学习型路由——将协调视为结构性分配问题，从根本上忽视其时间维度。我们提出相位调度多智能体系统（PSMAS），该框架将智能体激活重新构想为对建模在圆形流形上的共享注意力空间的连续控制。每个智能体 i 被分配一个由任务依赖拓扑导出的、位于[0, 2*pi]范围内的固定角相位 theta_i；全局扫描信号 phi(t) 以速度 omega 旋转，仅激活角度窗口 epsilon 内的智能体。空闲智能体接收压缩的上下文摘要，从而降低每步令牌消耗。我们在LangGraph上实现PSMAS，在四个结构化基准（HotPotQA-MAS、HumanEval-MAS、ALFWorld-Multi、WebArena-Coord）与两个非结构化对话设置上评估，并证明扫描动力学的稳定性、收敛性与最优性结果。PSMAS实现平均27.3%的令牌削减（范围21.4-34.8%），同时任务性能与全激活基线的差距保持在2.1个百分点以内（p < 0.01，每种配置n = 500），并比最强的学习型路由基线在令牌削减上多5.6个百分点、性能损失少2.0个百分点。至关重要的是，我们表明调度与压缩是相互独立的收益来源：仅调度就贡献18-20个百分点的削减，且在压缩退化至 alpha = 0.40 时仍保持稳健。