Dynamic Attentional Context Scoping: Agent-Triggered Focus Sessions for Isolated Per-Agent Steering in Multi-Agent LLM Orchestration

Título: Escopo Dinâmico de Contexto Atencional (DACS) para Orquestração Multi-Agente

1. O Problema: Poluição de Contexto em Orquestração Multi-Agente

O artigo identifica um problema fundamental de escalabilidade em sistemas de orquestração de Grandes Modelos de Linguagem (LLMs) que gerenciam múltiplos agentes concorrentes.

• Poluição de Contexto: Em arquiteturas convencionais de "contexto plano" (flat-context), quando $N$ agentes operam simultaneamente, todos os seus estados de tarefa, saídas parciais e perguntas pendentes competem pelo mesmo espaço na janela de contexto do orquestrador.
• Consequência: Quando um agente específico ($a_i$) solicita orientação (steering), o contexto do orquestrador contém ruído irrelevante de outros agentes ($a_j, a_k$). Isso contamina a interação de direção, degradando a qualidade da decisão.
• Evidência Empírica: Em testes preliminares, a precisão de direção de um orquestrador com contexto plano colapsou de 60% (com 3 agentes) para 21% (com 10 agentes), devido à interferência cruzada de vocabulário e estados de tarefas alheias.

2. Metodologia: Dynamic Attentional Context Scoping (DACS)

Os autores propõem o DACS, um mecanismo que resolve a poluição de contexto através de isolamento assimétrico e acionado pelo agente. O orquestrador opera em dois modos principais:

1. Modo REGISTRY (Registro):

   • O orquestrador mantém apenas um resumo leve (registro) de cada agente ($\le 200$ tokens por entrada).
   • O registro contém: ID, descrição da tarefa, status (ex: RODANDO, BLOQUEADO) e um resumo da última saída.
   • Neste modo, o orquestrador monitora todos os agentes e responde ao usuário, mas não toma decisões de direção complexas.

2. Modo FOCUS($a_i$) (Foco):

   • Disparado quando um agente emite um STEERINGREQUEST (Pedido de Direção).
   • O orquestrador injeta o contexto completo do agente solicitante ($F(a_i)$: descrição da tarefa, histórico de interações, saída atual).
   • Simultaneamente, comprime o contexto de todos os outros $N-1$ agentes para suas entradas de registro (resumos).
   • Isolamento Exato: A janela de contexto contém estritamente $F(a_i) + R_{-i}$ (o contexto total de $a_i$ mais os resumos dos outros). Não há contaminação de threads de tarefas de outros agentes.

Propriedades Chave do DACS:

• Acionado pelo Agente: O isolamento ocorre apenas quando necessário, não em cada turno.
• Assimétrico: O agente sendo guiado recebe fidelidade total; os demais recebem apenas resumos.
• Determinístico: Não usa funções de pontuação probabilística ou compressão aproximada; a construção do contexto é exata.
• Escalabilidade Sub-linear: O tamanho do contexto de foco cresce apenas com o número de agentes ($O(N)$) através dos resumos comprimidos, mas o núcleo da decisão ($F(a_i)$) permanece independente de $N$.

3. Contribuições Principais

1. Definição Formal: Especificação da máquina de estados (REGISTRY/FOCUS), protocolo de solicitação e invariantes de construção de contexto.
2. Implementação Observável: Um harness de orquestração minimalista (~300 linhas) que registra cada token, permitindo controle experimental rigoroso.
3. Validação Estatística: Demonstração de ganhos de precisão significativos em quatro fases experimentais (200 ensaios no total).
4. Validação com Agentes Autônomos: Substituição de stubs de script por agentes LLM reais (Claude Haiku 4.5) gerando perguntas livres, confirmando a validade ecológica dos resultados.
5. Análise Teórica: Identificação da escalabilidade sub-linear como a propriedade teórica central que permite o desempenho superior.

4. Resultados Experimentais

Os experimentos foram divididos em quatro fases, cobrindo 8 cenários sintéticos e 2 cenários com agentes reais:

• Fase 1 (Escalonamento de Agentes - $N$):

  • Testes com $N \in \{3, 5, 10\}$.
  • Precisão: O DACS manteve 90,0% – 98,4% de precisão, enquanto a linha de base (flat-context) caiu de 60% para 21%.
  • Contaminação: Redução de contaminação de agentes errados de 28-57% (base) para 0-14% (DACS).
  • Eficiência: A razão de eficiência de contexto (base/DACS) aumentou de 2,12x para 3,53x conforme $N$ cresceu.

• Fase 2 (Diversidade de Agentes):

  • Testou homogeneidade, diversidade máxima e cenários adversários (dependência em cascata).
  • O DACS superou a base em todos os casos (ganho de +37 a +59 pontos percentuais), provando robustez mesmo em domínios com vocabulário sobreposto ou dependências complexas.

• Fase 3 (Densidade de Decisão - $D$):

  • Aumentou o número de decisões por agente ($D$) até 15.
  • A precisão da base degradou-se severamente com o acúmulo de histórico, enquanto o DACS manteve ou melhorou a precisão (até 98,4%), pois o contexto de foco isola o histórico relevante apenas para o agente atual.

• Fase 4 (Validação com Agentes Reais):

  • Agentes autônomos (Claude Haiku 4.5) geraram perguntas livres.
  • Resultados: O DACS superou a base em +17,2 pp ($N=3$) e +20,4 pp ($N=5$), com significância estatística ($p < 0,001$).
  • A vantagem cresceu com o número de agentes, replicando a tendência sintética.

5. Significado e Conclusão

O artigo estabelece que o conteúdo da janela de contexto do orquestrador no momento da decisão é a variável dominante para a precisão em sistemas multi-agente, superando fatores como tamanho do modelo ou topologia de rede.

• Impacto Prático: O DACS oferece uma solução leve, determinística e compatível com arquiteturas existentes para mitigar a poluição de contexto, permitindo que orquestradores LLM gerenciem dezenas de agentes concorrentes sem degradação de desempenho.
• Inovação Teórica: Demonstra que o isolamento de contexto não precisa ser aproximado; uma comutação de modo exata e acionada pelo agente é suficiente para eliminar a contaminação cruzada.
• Futuro: O trabalho sugere que sistemas de produção podem combinar roteamento hierárquico (para reduzir o pool de agentes ativos) com DACS (para isolar interações dentro desse pool), maximizando a eficiência e a precisão.

Em resumo, o DACS resolve o gargalo de escalabilidade em orquestração multi-agente ao garantir que, quando uma decisão é tomada, o modelo "enxergue" apenas o que é estritamente necessário para aquele agente, ignorando o ruído dos demais.