用途：Latent Briefing 解决编排器（orchestrator）与工作智能体（worker）之间重复传递长上下文导致的 token 成本问题。编排器累积的推理轨迹若每次以文本形式完整传给 worker，费用会随调用次数叠加；摘要会带来延迟与信息损失，检索则无法保留推理状态。该方法在表征层面共享记忆，而非文本层面。
主要能力：基于 Attention Matching（AM）的 KV 缓存紧凑技术，为推理时多智能体交接做了适配：使用由当前 worker 任务提示派生的任务引导查询向量；在层与头之间聚合分数形成共享全局掩码；采用稳健阈值（如 median + tau * MAD）替代固定 top-k。效果与令牌节省、紧凑开销需结合具体工作负载测量。
适用场景：设计编排器-工作者或监督者-专家系统，worker 需要访问编排器先前状态但不必以文本重放完整轨迹；评估替代 LLM 摘要或 RAG 的跨智能体状态传递方案；调试递归、层级或工具密集型智能体图中的 token 爆炸；解读同时报告 worker token 节省、总 token 节省、紧凑开销与准确率的基准。
使用方式与限制：需系统能直接检查或改写 worker 推理运行时的 KV 状态，纯 API 栈不可用；假设编排器轨迹能在 worker 模型空间表示，若两者在分词器、架构或注意力布局上差异较大，直接表征共享可能不可行。阈值 tau 依赖任务区间、轨迹质量与文档长度，需在验证集上调参；公开结果集中在长文档问答，代码生成、数学与多文档综合可能不同。此外，随机编排器会引入方差，需足够多次试验区分紧凑效果。与上下文优化、多智能体模式、上下文压缩、记忆系统等技能配合使用。具体命令、API 与安装方式暂未提供。