La detección de objetos 3D basada en nubes de puntos LiDAR siempre ha sido un desafío. Los enfoques existentes de reducción de nubes de puntos a menudo utilizan algoritmos heurísticos como el muestreo de puntos más lejanos (FPS) para extraer las características de una nube de puntos crudos masiva. Sin embargo, FPS tiene desventajas como baja eficiencia operativa e incapacidad para muestrear áreas clave. Este documento presenta un método de reducción de muestreo guiado por atención para la detección de objetos 3D basada en nubes de puntos, llamado AGS-SSD. El método contiene dos módulos: PEA (atención externa de puntos) y A-FPS (FPS guiado por atención). PEA explora la correlación entre los datos y utiliza el mecanismo de atención externa para extraer las características semánticas en la etapa de abstracción de conjunto. La información semántica, incluida la relación entre las muestras, se envía al módulo de generación de puntos candidatos como puntos de contexto. A-FPS pondera la nube de puntos de acuerdo con el mapa de atención generado y muestrea los puntos de primer plano con información semántica rica como puntos candidatos. Los resultados experimentales muestran que nuestro método logra mejoras significativas con arquitecturas novedosas frente a la línea base y se ejecuta a 24 cuadros por segundo para inferencia.