대규모 언어 모델 (LLMs)은 추론, 계획 및 도구 사용을 위한 자율 에이전트를 가능하게 합니다. 최근 시스템들은 이러한 에이전트들을 전문화되고 서로 연결된 노드들의 그래프로 구성하는 경향이 늘고 있습니다. 그래프 기반의 오케스트레이션 (orchestration)은 유연한 분해와 조율을 지원하지만, 핵심적인 과제인 어텐션 할당 (attention allocation) 문제를 야기합니다. 워크플로우가 성장함에 따라, 기존 방식들은 종종 그래프 구성 요소들을 균일하게 실행하여 무관하거나 영향력이 낮은 작업에 자원을 낭비합니다. 우리는 Transformer 스타일의 어텐션을 토큰 표현에서 워크플로우 수준의 에이전트 조율로 확장하는 패러다임인 **어텐션 오케스트레이션 (Attention Orchestration)**을 소개합니다. 우리의 프레임워크인 **적응형 목표 인지 어텐션 오케스트레이션 (Adaptive Goal-aware Attention Orchestration, AGAO)**은 사용자의 목표, 그래프 의존성 및 계산 제약 조건을 기반으로 에이전트의 중요도를 동적으로 추정합니다. AGAO는 세 가지 구성 요소를 결합합니다: (1) 목표 인지 어텐션 (goal-aware attention): 사용자 목표와 에이전트 역량 사이의 의미론적 관련성을 측정합니다; (2) 토폴로지 인지 어텐션 (topology-aware attention): 에이전트 그래프 내의 구조적 의존성을 모델링합니다; (3) 리소스 인지 어텐션 (resource-aware attention): 이기종 에이전트 전반에 걸쳐 예산과 실행 우선순위를 할당합니다. 이러한 메커니즘들은 결합되어 정적인 에이전트 그래프를 목표에 핵심적인 추론 경로에 계산을 집중하는 적응형 시스템으로 변모시킵니다. 다양한 멀티 에이전트 워크로드에 대한 실험 결과, AGAO는 기존의 그래프 기반 실행 전략과 비교했을 때 불필요한 계산, 지연 시간(latency) 및 토큰 소비를 줄이면서도 작업 효율성을 향상시킨다는 것을 보여줍니다. 우리의 연구는 확장 가능하고 지능적인 멀티 에이전트 시스템을 위한 방향으로서 **어텐션 엔지니어링 (Attention Engineering)**을 정립합니다. 코드: https://github.com/MingzhouFan97/AGAO.