通过上下文相关性的注意力引导增强多智能体通信

基于LLM的多智能体系统通过协作推理在复杂任务上展现出卓越性能。然而，这些系统在交互过程中往往会迅速积累极长的对话历史。随着对话变长，相关信息被无关上下文不断稀释，导致性能下降。本工作提出Agent-Radar，一种免训练的上下文管理方法，利用新颖的时间与空间衰减机制，动态地将每个智能体的注意力引导向相关上下文。实验表明，Agent-Radar在五个不同基准上均优于最先进方法，最高带来7.64个绝对点的增益。此外，我们的分析显示，随着智能体数量与交互轮次的增加，Agent-Radar依然有效且鲁棒。最后，消融实验表明，Agent-Radar的核心组件对性能至关重要，并且在不同设置下具有可泛化性。