摘要： 现代智能体 AI 系统结合了多个具有异构技能的 LLM 智能体，但大多数架构要么预先固定通信方式，要么允许完全广播。这两种方式都可能效率低下，因为令牌成本、延迟、冗余和错误传播会随着活跃智能体和通信链路数量的增加而增加。我们将智能体选择和通信建模为一个合作博弈，其任务条件净效用为 $U(C\mid x)=V(C\mid x)-\sum_{i\in C}c_i$，将联盟级成本与智能体激活成本分开。我们提出了一种边际价值激活规则和贪心路由器，扩展了模型以优化具有每边成本的通信边，并使用估计的 Shapley 值在执行前和执行期间预测哪些智能体值得联系。我们将该问题与子模最大化联系起来，并证明了两个有限的保证：一个针对单调、基数约束特例的曲率修正界，以及一个通过双贪心算法针对无约束非单调情况的紧致 $1/2$ 近似（包含对有符号目标的修正）。这两个保证都不直接适用于主路由器，主路由器仍然是一个启发式方法。我们还证明了一个 Shapley-子模夹逼界，将边际价值路由的误差与每个智能体的边际收益递减量联系起来。在合成实验中，贪心路由实现了暴力最优效用的 $99.5\%$，同时平均激活 $8$ 个智能体中的 $1.96$ 个，而完全广播仅为 $38.8\%$。性能对激活成本和冗余权重具有鲁棒性，但在子模性被强烈违反或价值估计有噪声的情况下，性能会下降到 $66\%$。我们将该框架与 Shapley 定价、偏好联盟形成和通信图剪枝区分开来，并建议在真实的多智能体 LLM 基准上进行评估。