专注即所需：多智能体图系统的自适应目标感知注意力编排

大语言模型（LLM）催生了能够推理、规划与使用工具的自主智能体。近期系统日益把这些智能体组织为由专门化、互连节点构成的图。尽管基于图的编排支持灵活的分解与协调，它也带来一个关键挑战：注意力分配。随着工作流增长，现有方法往往均匀地执行图组件，把资源浪费在不相关或低影响的任务上。我们提出注意力编排（Attention Orchestration），这一范式把Transformer风格的注意力从词元表示扩展到工作流级的智能体协调。我们的框架AGAO（自适应目标感知注意力编排）基于用户目标、图依赖与计算约束动态估计智能体重要性。AGAO结合三个组件：（1）目标感知注意力，度量用户目标与智能体能力之间的语义相关性；（2）拓扑感知注意力，建模智能体图中的结构依赖；（3）资源感知注意力，在异构智能体之间分配预算与执行优先级。这些机制共同把静态智能体图转化为自适应系统，将计算聚焦于目标关键的推理路径。在多样多智能体工作负载上的实验表明，与现有基于图的执行策略相比，AGAO在提升任务效果的同时减少了不必要的计算、延迟与词元消耗。我们的工作确立了注意力工程（Attention Engineering）作为可扩展、智能的多智能体系统的一个方向。代码：https://github.com/MingzhouFan97/AGAO。