AI Agent to Agent （A2A）的通訊機制
每個 AI Agent 背後可能串接不同的 AI 模型，不同 AI 模型的訓練在不同專業場景的表現也不盡相同，對於記憶與知識庫萃取的能力也各有差異。但透過 Agent 擬定可能的解決方案，指揮不同的 Skill Agent 找出達成目標的最佳方法，並與其他系統互動，A2A 對於複雜任務上互動能力的提升已經在現在成為進行式。
- 發現服務：Agent 需要在網路中註冊並尋找其他具備特定技能的 Agent
- 確認身分：檢核認證並建立安全的通訊機制，確認彼此身分與全縣防止惡意 Agent 接入
- 溝通協議：使用標準化語言的通訊協議（Ex. JSON-LD, ACL）進行語意交換，而非單純的 API 數據傳輸
用 Agent Card 表示不同的 AI 履歷
也許我們正經歷一個多元多工專案場景的任務分配，我們身後的主要 AI Agent 職務代理人，會透過數據收集與感知，推理你的意圖、理解並推論可執行的策略，經由你的授權代理協作與付諸行動，最後依據成果反饋與優化。而單一 Agent 在細分任務上的表現，可以透過細分任務的能力訓練提高成果與表現，透過多個單一 Agent 的協作，準確完成一個大而複雜的工作任務，就像是一間真正的企業運作，我們需要一個專案經理，並分配細分任務給不同的工作伙伴。
而我們很快就會進入不需要每一個同事都自己訓練的時刻。我們可以招募外圍專業的合作夥伴，透過 Agent to Agent 協作，加速完成工作的準確度和完成度。透過 Agent Card 先認識不同 Agent Skill 的專業範疇，並經由主要的 AI Agent Orchestratir 指揮調度，迅速完成用戶的指令。
Agent Card & Agent Skill 職務代理卡片模版
- 扮演什麼角色？
- 能做什麼？
- 有哪些工具能力？
- 如何指派工作？
- 如何交付？
AI Agent 的應用場景與任務拆解
使用 Structure Reference 的參考架構來設計、規劃、控制架構
抽象的概念容易提高每次的輸出的隨機性，而影響每次產出的結果，因此我們需要將輸入端的概念腳本具體化、規格化並保持成果的一致性。每次對話的 Agent 有了參考的依據、內容和格式，輸出回應時便能依據期望的樣式交付更理想的結果。
拆解 Agent 可執行的工作流程
拆解任務，並訂定「可重複執行的主題」這個觀念非常重要，但標準化卻在許多利用 AI 的應用場景中，較少人討論。透過步驟拆解、任務解析、元素合成、風格調整等流程，我們可以一步步檢視出錯的環節，並改善交付的成果，輸出多格式與多型態的任務交付。
多代理協作（A2A）的 Trade-off
首要先認知大量導入 Agent to Agent 多代理協作，非常有可能導致費用的不可控。每一個執行環節與任務流程都是錢，因此在運行代理人模式時，需要管理、拆解、最佳化並建立妥善的檢核機制。
- 複雜度的考量：
- 協調與溝通：代理之間如何有效協作並交換資訊
- 錯誤傳播：單一 Agent 的錯誤可能如何影響整體系統
- 非預期行為：系統行為可能超越單一 Agent 的預期
- 狀態管理：維護並同步多個代理的狀態並考慮其可維護性
- 回應時間取捨：
- 序列化處理：任務分解與結果整合可能產生瓶頸
- 訊息延遲：代理間的通訊會引入額外的延遲
- 資源競爭：多代理 Agent 對共享資源的存取可能導致等待
- 決策路徑：複雜任務的決策流程可能變長
Agentic AI 的目標不是打造沒有人的組織或企業體
- 觀測指標：
- 更新是否影響整體？
- 使用流程是否交互影響？
- 效能與延遲？
- 錯誤率？
- 任務完成率？
- 使用者回饋如何？