KITE：按任务需求选择多Agent之间传递的KV层

基于大型语言模型的多智能体系统通过协作改进复杂问题的解决，而潜在通信直接传输模型内部状态，以避免自然语言的高推理成本。然而，现有的基于 KV 的潜在通信方法优先考虑发送方状态保真度，导致大量的通信和计算开销，并可能引入冗余信息。为了解决这些限制，我们从面向任务的角度重新审视潜在通信，将其目标从发送方状态保真度转变为接收方任务充足性。 Under this formulation, we propose KITE, a training-free framework for task-oriented key-layer KV communication. KITE使用接收器轨迹失真标准识别任务有效关键层，仅传输与关键层相关的潜在工作记忆，并进一步使用同一层作为自回归潜在推理的入口点。在两个模型族、三个模型尺度的七个基准测试上的实验表明，与全层KV通信相比，KITE减少了28-36$\times$的通信量，实现了高达3$\times$的端到端推理加速，并将准确率提高了高达23.3个百分点。