La coordinación eficiente de sistemas de vehículos aéreos no tripulados (UAV) en el cada vez más complejo dominio de las tareas aéreas se ve obstaculizada por desafíos significativos, incluyendo la observabilidad parcial, la baja eficiencia de muestreo y las dificultades en la coordinación entre agentes. Para abordar estos problemas, este documento presenta un nuevo marco de Crítica Suave Multi-Agente Espacio-Temporal Causal (CaST-MASAC). En su núcleo, CaST-MASAC integra dos innovaciones clave: (1) un módulo de atención espacio-temporal (STa) que extrae características de observaciones históricas para permitir una predicción precisa de la trayectoria del objetivo y una asignación dinámica de tareas, mejorando así la conciencia situacional y la toma de decisiones colaborativa en entornos altamente dinámicos y parcialmente observables; y (2) un mecanismo de Repetición de Experiencia de Inferencia Causal (CIER) que mejora significativamente la eficiencia de muestreo y la velocidad de convergencia al identificar y priorizar experiencias con un alto impacto causal en el éxito de la tarea. Evaluado en entornos de simulación de coordinación aérea multi-UAV 4v4 y 2v2, CaST-MASAC demuestra un rendimiento superior en comparación con las líneas base de última generación como MAPPO y QMIX en términos de tasa de éxito de la tarea, recompensa acumulativa y eficiencia en la toma de decisiones. Además, estudios de ablación extensivos validan las contribuciones críticas de los módulos STa y CIER al rendimiento general del marco. En consecuencia, CaST-MASAC ofrece un enfoque novedoso y efectivo para desarrollar estrategias de coordinación multi-agente robustas y eficientes en entornos dinámicos complejos.