阅读研究雷达投资体系
登录 / 注册
全部阅读技术产品投资二级市场其他

阅读

2026-11-1392 篇

刷新

A2A 协议如何让不同框架的代理跨组织协作:从 Agent Card 发现到双向回调

专题 · A2A代理协议实质变化
2026-11-12 23:42

跨组织的多代理系统面临一个具体约束:两家机构各自构建和运行代理,它们需要发现彼此、交换任务,但不能暴露内部实现,也不能要求双方使用同一框架。没有标准化协议时,每增加一个客户或框架组合,ISV 就要编写一套定制集成代码。A2A 协议试图用单一接口替代这些路径。

AWS 机器学习博客给出的参考架构在两个独立 AWS 账户中运行三个代理。企业侧的编排器基于 LangChain,调用 Anthropic Claude Sonnet 4.6 做推理路由;SaaS 侧的合规代理基于 Strands Agents SDK,部署在 Amazon Bedrock AgentCore 上。两者使用完全不同的框架和 SDK,但通过 A2A 的 JSON-RPC over HTTP 通信。编排器不依赖 Strands SDK,合规代理也不依赖 LangChain——这是协议级互操作的实际含义:只要双方都讲 A2A 并发布兼容的 Agent Card,框架可以各自更换。

Agent Card 是这套机制的核心发现层。它在 /.well-known/agent-card.json 路径发布一份 JSON 文档,描述代理的名称、能力和技能。编排器在启动时拉取这张卡片,为卡片上每个技能创建一个 LangChain 工具,之后由大语言模型根据用户问题决定调用哪个工具。这意味着 ISV 添加或修改能力时,只需更新 Agent Card,编排器下次重启自动获取新技能,两个团队无需协调代码变更。

关键的设计决策在于卡片发布什么。合规代理内部有三个工具(列出账户、执行扫描、获取修复步骤),但 Agent Card 只发布一个策展技能:「扫描你的 AWS 账户,按严重性返回发现项和修复步骤」。调用方的模型看到的是产品做什么,不是怎么做的。这层抽象让 ISV 可以重构内部架构——换模型、换工具、换实现——只要卡片描述的技能不变,客户集成就不受影响。

双向回调是这套方案超出典型代理演示的地方。大多数代理间通信展示的是单向请求-响应:客户端调用服务端代理,等待结果。但当被调用的代理需要只有调用方才有的信息时,这个模式就失效了。在这个架构中,合规代理在扫描前需要企业上下文——哪些账户是生产环境、适用哪些内部策略、向谁升级——这些信息只有企业侧知道。合规代理通过 A2A 回调到企业上下文代理,使用自己账户的身份提供方获取令牌,向客户在入驻时注册的回调地址发送消息。这使两个代理成为真正的对等体,而非客户端和服务端。

认证方面,每个账户有自己的 Amazon Cognito 用户池,双方各自从自己的池获取令牌,接收方只信任对方池发出的令牌。入驻时双方交换的只有公开值——身份提供方 URL、客户端 ID、作用域和端点 URL——不共享任何密钥。每个 A2A 任务请求携带 JWT,接收方验证签发方、客户端和作用域。唯一不需要认证的端点是上下文代理的 Agent Card,因为它只发布描述性元数据。

端到端测试验证了整条链路:编排器发现合规代理、路由请求、合规代理回调上下文代理获取账户元数据、执行扫描、返回包含两个代理数据的富化报告。测试通过的条件是回复中包含合规发现、包含只有上下文代理知道的值班轮换代码,且合作伙伴 API 访问日志记录了回调客户端的 200 响应。随后七项信任边界检查确认每个令牌只在被信任的位置有效,错误、缺失或伪造的令牌均被拒绝。

这套参考实现的适用边界值得注意。它使用合成数据模拟合规发现,未展示生产环境下的延迟、吞吐或故障恢复表现。双向回调模式要求双方各自维护身份提供方配置和回调注册,运维复杂度高于单向调用。博客本身也列出了生产化建议:按客户拆分运行时、用密钥认证替代客户端密钥、启用 PrivateLink 和 KMS 加密、配置 VPC 流日志等。这些说明当前架构是模式验证,不是可直接投产的成品。

对读者的实际意义在于:如果组织正在构建需要跨团队或跨公司协作的代理系统,A2A 的 Agent Card 发现加双向 OAuth 回调提供了一种替代定制集成的路径。它不要求双方使用同一框架,不要求共享密钥,能力扩展通过更新卡片而非修改调用方代码完成。但这条路径的前提是双方都接受协议约束并各自维护身份基础设施——这本身是一项运维承诺。

信息源:Amazon Web Services

研究

a16z支持的初创公司 Phota Labs 推出保留人物身份的AI照片编辑应用

专题 · Phota Labs快讯
2026-11-13 01:00

由 Andreessen Horowitz(a16z)支持的初创公司 Phota Labs 于 2026 年 11 月 12 日推出了其 iOS 应用程序,这是一款旨在将日常快照转化为专业摄影效果的 AI 照片助手。与传统的滤镜或手动修图工具不同,Phota Labs 的核心卖点是“身份保留”技术,即在调整光线、构图甚至镜头效果时,确保照片中人物的面部特征和自然外观不被扭曲或替换。

该公司由 Cecilia Zhang 和 Zach Xia 创立,两人曾在 Adobe 工作期间参与过 Project Indigo、Lightroom 和 Photoshop 等计算摄影产品。他们发现,现有的生成式 AI 工具在处理模糊或低质量照片时,往往会改变人物的真实长相,而 Phota Labs 通过构建专门的个性化模型来解决这一问题。据 TechCrunch 报道,Zhang 表示:“我们为 Phota 构建了自有技术……这种个性化技术实际上能学习人们的身份,并能在我们对照片进行的任何转换中保留他们的特征。”

Phota Labs 目前以免费模式上线,旨在先建立初始用户群,未来计划探索 Freemium(免费增值)模式并推出 Android 版本。该应用允许用户选择从细微调整到大幅重构(如鱼眼效果、替代角度)的不同摄影风格。所有经 AI 编辑的图片均带有隐形水印,以便在社交媒体分享时标识其为 AI 处理过的内容。

信息源:TechCrunch

研究

软银集团公布季度亏损71亿美元,超30亿源于天然气涡轮机预付款减值

专题 · 软银燃气轮机减值实质变化
2026-11-13 01:00

日本投资巨头软银集团(SoftBank Group Corp.)在周二公布的财报中披露了71亿美元的季度净亏损。据TechCrunch报道,其中超过一半的损失与为人工智能数据中心预订的天然气发电设备有关。

约两年前,软银通过其子公司SB Energy开始大量订购燃气轮机,据报道支付了超过13吉瓦产能的非退款性定金,这比其实际需求多出近50%。这一策略旨在锁定稀缺的涡轮机供应,以应对AI算力激增带来的电力需求。然而,随着市场供需关系的变化和AI数据中心实际能耗预期的调整,软银认为这些预付款项大部分已无价值,从而导致了此次巨额减值。

Noreva首席执行官Peter Gardett指出,这一损失反映了“价格发现”的过程:软银为了快速获得涡轮机而过度支付和超额订购。尽管AI对电力的需求依然庞大,但软银的挫折可能标志着行业在天然气发电领域的盲目扩张达到一个临界点。Ascend Analytics的高级董事总经理Brent Nelson表示,随着运营商更了解数据中心的实际运行需求,电网连接配合大型电池储能可能成为更具成本效益的选择,这可能减缓天然气发电市场的预期发展速度。

信息源:TechCrunch

研究

罗克韦尔自动化预计2027财年有机增长6%-9%,订单创纪录

专题 · 罗克韦尔自动化增长预期实质变化
2026-11-12 13:12

美国工业自动化巨头罗克韦尔自动化(Rockwell Automation, NYSE: ROK)董事长兼首席执行官Blake Moret在贝尔德投资者会议上透露,公司预计2027财年有机增长率将达到6%至9%。这一展望主要得益于对自动化设备的强劲需求、产品提价以及潜在的收购活动。

Moret指出,数据中心、半导体、汽车和生命科学领域的需求在2026财年均超出了公司预期。特别是占营收约10%的汽车业务,在下半年表现尤为强劲。制药行业的需求部分受到GLP-1药物生产的支撑,但Moret强调生命科学领域的增长是广泛性的。

订单数据为这一乐观前景提供了有力支持。Moret表示,2026财年美国新建物理工厂产能的订单量创下该公司历史最高纪录,进入2027财年的订单管道也比一年前更为庞大。第四季度订单以中双位数百分比增长,第一季度开局良好。

在定价方面,2027财年指引中包含了3个百分点的价格贡献,但这尚未计入计划于12月实施的涨价。Moret将内存成本通胀列为价格上涨的主要原因之一,尽管公司已基本克服了供应短缺问题。此外,Logix控制产品在第四季度实现了25%的增长,归因于底层需求和定价,而非客户补库存。

软件与AI战略也是增长引擎之一。公司目标是在2027财年实现年度经常性收入(ARR)7%的增长,并计划推出FactoryTalk Conductor等基于代理的新软件,以加速控制系统集成。分析师Quinn Fredrickson指出,该指引隐含了约80个基点的企业运营利润率扩张。Moret还提到,公司期待在未来一年恢复无机增长,优先考虑能提升欧洲或亚洲市场份额且符合其美国分销网络的硬件业务收购。

信息源:Yahoo Finance

研究

微软副总裁Scott Hanselman发布开源工具GPU Taskman,用于监控显卡显存与本地大模型内存需求

专题 · GPU Taskman快讯
2026-11-12 23:37

微软副总裁兼软件开发者Scott Hanselman发布了名为GPU Taskman的开源任务管理器,专门用于监控图形处理单元(GPU)的显存使用情况。该工具运行于Windows、Linux及macOS系统,通过终端界面将进程列表与设备的显存占用、负载、温度等数据相结合,帮助开发者直观了解哪些进程正在消耗显存。

针对本地运行的语言模型(LLM),GPU Taskman能够识别已加载的运行时环境和模型文件,并估算其权重和键值缓存(KV-Cache)所需的存储空间。KV-Cache是Transformer架构中用于加速推理的关键数据结构,其大小随上下文长度增加而增长。该工具区分了实测数据与估算值,避免将未使用的磁盘模型误判为当前活跃进程。

最新版本v0.4.0增加了对Intel GPU在Linux下的更多指标支持,以及华为Ascend NPU的设备监控功能。开发者明确指出该软件仍处于早期实验阶段,特别是模型归属和内存分配计算并非直接测量结果,用户需谨慎对待其估算数据。

信息源:iX Magazin

研究

Agent DLC:检索精度满分却答不出问题时,评估框架该怎么设计

专题 · Agent DLC实质变化
2026-11-12 23:38

一个内部HR政策助手,回答三个问题:绩效评估、福利登记、病假证明。chunk级检索精度——衡量每个被检索到的文档块整体是否与问题相关——三个问题全部拿到1.00满分。如果发布门槛只看这个指标,三个答案都会通过。

但把每个文档块拆成单独事实再逐一检查必要性,fact级精度分别是0.59、0.53和0.09。第三个问题意味着检索到的材料中大约九成的具体事实与所问无关。chunk级精度只问'这段话是否切题',不衡量'这段话里有多少内容真正有用'。

AWS工程团队在博客中用这个实测案例引出Agent DLC(Agent Development Lifecycle)框架的核心论点:传统单元测试和CI/CD对代理仍然必要,但三个特性使其不充分。第一,代理是非确定性的,相同输入可以产生不同输出和执行路径;第二,提示词、工具描述、检索设置或记忆配置的改动可以以文本审查无法察觉的方式改变行为;第三,模型端点、知识库和外部API可以独立于代码仓库发生变化并影响代理行为。

框架将开发活动组织为两个嵌套循环。内循环是:评分→检查路径→改一个变量→重新评估,在固定标准下改进代理。外循环是:定义→构建→评估→发布→观察→反馈,允许标准本身变化。作者举了一个容易混淆的例子:如果生产用户要求代理替家人查询信息,但没有任何标准覆盖这个场景,这是外循环问题——需要定义授权边界并补充示例,然后用内循环去满足更新后的标准。把两者搞混,团队会试图用提示词修改去填补一个缺失的标准。

回到病假证明那个案例。提示词修改后,绩效评估问题从0.83提升到0.87,fact级精度从0.59跳到0.85;但病假证明的groundedness从0.39降到0.31,fact级精度从0.09降到0.04——一个改动,两个相反结果。诊断指向知识覆盖缺口:语料库中根本没有专门的病假政策文档,只有休假管理政策中的简短提及。告诉模型'严格基于检索内容回答'无法凭空补充缺失信息。

评估标准被组织为五个维度——领域理解、质量、责任、成本、性能——和三个层级:硬约束(布尔值,违反即阻止发布)、发布门槛(k次运行的通过率阈值)、仅监控(追踪但不阻塞)。作者特别指出一个案例:福利登记答案以0.90的groundedness通过,但其中包含一句'我注意到你的档案显示你的首选联系方式是社交媒体'——不存在这样的档案。模型把政策文档中的一个选项与公共FAQ中一条无关回答拼合,包装成关于用户的事实。高分的groundedness没有捕捉到这个虚假个人声明。

框架的实际建议是:选一个明确范围的业务任务,用一周建立评估基线。前两天由业务负责人和工程师商定验收标准、层级和阈值,准备20到30个黄金示例。第三到五天实现评估器并反复运行黄金集,发布基线包括失败案例。第二周改一个变量、在相同条件下重新评估,记录发布决定及其证据。作者强调分数可在不同运行间波动,边界通过可能变成失败,应结合重复运行和底层证据来解读差异。

信息源:Amazon Web Services

研究

加拿大电商平台Shopify部署“网络混沌猴”:AI代理自主攻击生产环境以发现漏洞

实质变化
2026-11-12 22:57

加拿大电商平台Shopify于2026年11月12日在其工程博客上披露了名为“Cyber Chaos Monkey”(CCM)的内部安全系统。该系统利用前沿AI模型,结合Shopify对自身软件架构、源代码和基础设施的深度知识,主动对生产环境发起模拟攻击,旨在在外部攻击者发现漏洞之前将其识别并修复。

CCM的核心逻辑是利用信息不对称优势。Shopify指出,随着前沿模型将漏洞发现的成本推向零,其Bug Bounty计划收到的报告数量自2024年以来增加了近300%,导致人工审核和处理变得极其困难。CCM通过向AI代理提供实时测试凭证和对系统的全面访问权限,使其能够像一名高级漏洞赏金猎人一样工作,但规模远超人类能力。

系统架构分为“Discovery”(发现)和“Sandbox”(沙箱)两个组件。Discovery负责接收假设或线索,利用最新网络模型细化潜在漏洞位置;Sandbox则执行具体的利用尝试,包括安装软件包、构建模糊测试工具以及直接向Shopify生产环境发送请求并分析日志。这种闭环允许AI代理根据反馈迭代优化攻击策略。

为确保安全性,Shopify实施了多层控制措施。技术层面,所有操作均在容器化环境中进行,遵循最小权限原则,并通过凭证代理和严格的出口白名单限制网络访问。治理层面,引入了“双人完整性”(Two-Person Integrity, TPI)机制,使用一个独立对齐的AI代理实时监控执行代理的行为日志。如果监控代理检测到违反“交战规则”(Rules of Engagement)的高风险行为,可立即终止任务。

据Shopify称,CCM已执行了数万次进攻性参与,识别并处理了数十项具有影响力的安全发现,且未造成任何服务中断或安全事故。这一实践标志着企业安全防御从被动响应向由AI驱动的主动、自动化红队测试的转变。

信息源:Shopify

研究

图注意力网络:用自注意力机制解决图结构数据的归纳学习难题

核验于 2026-11-13 22:12

长期信息 · 《Graph Attention Networks》(2017)

在深度学习领域,卷积神经网络(CNN)在处理具有网格结构的数据(如图像)时取得了巨大成功。然而,许多现实世界的数据,如社交网络、生物网络或通信网络,并不具备规则的网格结构,而是以图的形式存在。早期的图神经网络方法主要分为谱方法和非谱方法。谱方法虽然有效,但通常依赖于拉普拉斯算子的特征分解,这意味着训练好的模型难以直接应用于结构不同的新图,限制了其在归纳学习任务中的灵活性。

为了解决这一挑战,Petar Veličković等人提出了图注意力网络(GATs)。该架构的核心创新在于引入了掩码自注意力层。与依赖固定邻域大小或预定义图结构的传统方法不同,GAT允许节点在其邻居的特征上“关注”,并隐式地为每个邻居分配不同的权重。这种机制不仅避免了昂贵的矩阵运算(如求逆),而且不要求预先知道完整的图结构。通过堆叠这些注意力层,模型能够高效地并行处理节点对,并且可以灵活地适应具有不同度数的节点。

GAT的一个关键优势是其归纳学习能力。由于注意力权重是基于节点特征动态计算的,而不是基于固定的图拓扑结构,因此该模型可以直接应用于在训练期间未见过的全新图结构。论文指出,这种方法同时解决了基于谱的图神经网络的几个关键挑战,并在Cora、Citeseer和Pubmed等引用网络数据集以及蛋白质相互作用数据集上达到了或匹配了当时的最先进结果。对于希望理解如何将Transformer中的注意力机制扩展到非欧几里得数据的研究者来说,这是一篇重要的基础文献。建议阅读《Graph Attention Networks》(2017年提交,2018年发表于ICLR),重点关注其如何通过自注意力机制解决图结构数据的归纳学习问题。

信息源:《Graph Attention Networks》(2017)

研究

已读完当前范围的内容

登录 / 注册
阅读研究雷达投资体系