注意力控制
注意力控制是管理 agent 当前能看见什么、应该关注什么、暂时不用处理什么的模型。它依靠上下文筛选、任务分解、逐步披露、明确停止条件和人工纠偏,避免 agent 被噪音、过多历史或无关目标带偏。多 agent 或后台任务变多时,注意力控制还要决定哪些任务值得人现在看、哪些可以异步等待证据、哪些必须进入验证门。
关键结构图
中心写注意力控制,左侧连接 Context window 和 Progressive disclosure,右侧连接 Asynchronous delegation、validation gates 和 delivery process bottleneck;用两种线区分模型焦点和人工注意力。
What
注意力控制是管理 agent 当前能看见什么、应该关注什么、暂时不用处理什么的模型。agent 工作流变快以后,新的瓶颈常常不是模型不会做,而是人的注意力能否被正确分配、回收和校验。
注意力控制是 agent 工作流里的注意力分配模型:一方面控制模型看到的上下文、任务焦点和停止条件,另一方面控制人何时介入、看哪些证据、如何从多个后台任务里回收判断。它把「让 agent 多做」改写成一个更具体的问题:哪些信息进入模型,哪些结果进入人的注意力,哪些风险必须先被验证。
When
当 agent 任务开始并行、异步或跨多个工具运行时,可以用注意力控制判断人应该在哪里介入,以及 agent 应该携带什么证据回来。
How
先列出任务目标、上下文入口、后台执行步骤、验收证据和人工回收点。再问三个问题:哪些信息会让 agent 分心,哪些结果会浪费人的审查注意力,哪些失败必须先被验证门拦住。
Examples
一个 coding agent 同时开三个子任务时,人不应该逐字盯着每个过程,而应该要求每个子任务返回变更摘要、测试证据和未决风险。这就是把人工注意力放在回收点上。
一个研究 agent 如果把所有材料塞进同一轮上下文,可能会被噪音拖偏。注意力控制会把材料分批披露,让 agent 先回答当前问题,再决定是否需要下一层证据。
来源
类型:系统结构 / 概念整理
事实线:这张卡把 agent 工作流中的上下文焦点、人工回收点和验证负担整理成「注意力控制」模型。
依据:来自 1000 Bricks 既有 agent 基础设施概念,并合并 2026-07-06 AI 内参中关于 agent 工作流注意力瓶颈的公开材料信号。
边界:适用于分析多 agent、后台任务、coding agent 和知识工作流中的注意力分配;不等于所有任务都需要人同步盯着,也不等于把系统问题简化成个人自控力问题。
常见误读:不要把注意力控制只理解成缩短上下文。真正的问题是模型焦点、人工注意力、验证证据和回收节奏如何一起设计。