Agent2Agent
PulseAugur coverage of Agent2Agent — every cluster mentioning Agent2Agent across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
代理通信协议MCP和A2A扮演不同角色
两种不同的协议，MCP和A2A（Agent2Agent），正在2026年涌现，用于代理间通信，它们满足不同的需求，而非直接竞争。MCP专为以工具为中心的交互而设计，其中一个代理调用另一个代理暴露的能力，调用者保留决策权。相比之下，A2A则促进向可以自主追求目标、规划多步操作并随时间管理任务的同级代理进行委托，通常使用可发现的Agent Card来宣传其技能和接口。
-
Glean升级AI代理以实现独立操作和增强治理
Glean对其AI代理进行了重大升级，使其能够独立运行、更快地构建并保持大规模治理。这些增强型代理现在可以拥有整个工作流程，拥有具有范围访问权限的独特身份，并通过过去的运营进行学习以随时间推移进行改进。该平台还通过Claude Code和Cursor等现有编码工具简化了代理开发，并集成了Git以实现协作和版本控制。此外，Glean还实施了内置的代理评估和新的治理策略，以确保自主代理的安全和受控部署。
-
新的基准EgoErrorVQA评估AI对程序性错误的理解能力
研究人员推出EgoErrorVQA，一个旨在从以自我为中心的视角评估视觉代理和视觉语言模型（VLM）程序性理解能力的新基准。该基准特别关注程序性错误的检测，这是旨在提供日常协助的AI系统的一项关键能力。使用EgoErrorVQA进行的评估揭示了当前模型在处理程序性错误方面存在的持续性弱点。为解决这些局限性，该研究还提出了Ego-ADR，一个自适应解耦推理框架，可提高模型对程序性错误的理解能力，并在多项指标上取得最先进的成果。
-
新的EgoErrorVQA基准测试评估AI的程序性错误检测能力
研究人员推出EgoErrorVQA，这是一个新的基准测试，旨在从以自我为中心的视角评估视觉代理和模型的程序理解能力。该基准测试特别关注识别程序性错误，这是协助日常任务的AI系统的一项关键能力。为了便于评估，开发了一个基于Agent2Agent协议的用户友好型代理。初步评估显示，当前模型在程序性错误检测方面存在持续的弱点，促使开发了Ego-ADR，一个自适应解耦推理框架，以提高在此任务上的性能。
-
MCP与A2A协议在大型语言模型代理协调中的比较
一篇新论文比较了两种协议：模型上下文协议（MCP）和Agent2Agent（A2A），用于大型语言模型系统中的代理间协调。研究发现，MCP提供了更简单的实现和更低的协调复杂性，尽管它需要显式的应用层来管理对话状态和任务生命周期。相反，A2A为有状态的多轮协调提供了更强大的原生支持，但引入了更大的实现和协调复杂性。
-
Agent2Agent 协议 v1.0 推出签名卡以实现安全的代理发现
Agent2Agent (A2A) 协议已发布 1.0 版本，引入了签名的代理卡（Agent Cards）以解决代理发现中的安全漏洞。此前，由于纯 JSON 格式的代理卡缺乏身份验证，代理可能会被诱骗将数据发送到恶意端点。新的签名卡提供了可验证的来源证明，防止篡改，并确保代理与受信任的对应方进行通信。