AI 代理在并行执行委托任务时，往往由同一位监督者同时管理多个代理。实际运行中，代理常缺少任务所需的信息，例如未说明的偏好、约束或规格。它可以向人类请求澄清，也可以自行在历史记录中搜索，后者耗时且可能失败。本文构建了一个简化模型，假设每个代理在缺失信息时有三种选择：搜索、提问或继续执行不依赖该信息的子任务，并将问题形式化为动态规划。首先证明，是否提问不仅取决于自身的不确定性，还受其他任务的进度影响；拥有额外工作负载的代理可能更早提问，而人类应先回答哪个问题取决于所有待答问题的相互关系，单独为每个代理排序并非最优。为此提出配对协同策略（PCP），利用一任务和两任务的精确解来估计任务对共享人类的延迟影响。理论上，当未解决需求不超过两个时，PCP 完全最优；在每个未解决需求都必须由人类处理的情况下，成本上界为最优解的两倍。实验在 864 个人工合成案例以及 LLM 代理的案例研究中评估 PCP。合成基准上，PCP 与最优解的平均差距为 0.07%，相较于三种常用提问规则平均降低成本 18%~31%。LLM 案例中，所有任务均正确完成，PCP 在所有设置下均实现最低平均成本。\n\n点评：本文通过精细的动态规划分析揭示了多代理共享有限注意力时的提问时机复杂性，并提出的 PCP 在理论与实验上均表现出接近最优的效率，为实际系统设计提供了可操作的调度框架。