与「A2A」相关的搜索结果

[开源学习资源] AI Engineering from Scratch 59.8K ⭐️ 作者 @ghumare64 课程共 20 个阶段，以 Python 为主要编程语言，主张在导入任何框架之前，先用纯数学把每个算法手写一遍。 课程地址： 开源地址： 它和常见教程的本质区别 ？ 大多数 AI 教程是“API 驱动”的：装个库、调个接口、跑个 demo。这个项目反其道而行，每节课遵循固定的六段结构： Motto → Problem → Concept → Build It → Use It → Ship It 以 Phase 10 的一节课「Tokenizers: BPE, WordPiece, SentencePiece」 为例，这个格式是真实落地的，而且写作质量相当高： · Problem 部分不讲废话，直接从代价切入：“你的 LLM 不读英语，它读整数。分词器决定这些整数是承载意义还是浪费意义”，然后解释为什么 tokenization 不是预处理，它是架构的一部分（影响上下文窗口利用率、API 计费、推理速度）。 · Concept 部分用“三种失败的方案和一种胜出的方案”来讲演化逻辑：词级切分（词表爆炸、[UNK] 问题）→ 字符级切分（序列过长）→ 子词切分（BPE 的折中），并配上真实语料上 BPE 逐步合并的手工演算。 每节约 3000+ 词，带 Mermaid 图、可运行代码和测试。 另外两个设计值得强调： · 每节课产出一个可复用的 artifact，一个 prompt、一个 skill、一个 agent 或一个 MCP server。学完整个课程，你手里有 523 个可展示的作品，不是 523 个跑完就扔的 notebook。 · 强调“证据留存”：保留命令、退出码、输出，作为学习发生的证明。这明显吸收了工程实践中“可验证性”的思路。 # 课程结构：从线性代数到自主智能体集群 20 个阶段构成一条完整的上升曲线，咱们它分成五个大块来看： 基础层（Phase 0–2）：环境与工具链、数学基础（线性代数/概率/微积分）、经典机器学习。这是给基础不牢的读者铺的路。 深度学习与感知层（Phase 3–6）：神经网络核心、计算机视觉（一路讲到 NeRF、高斯泼溅、世界模型，这已经超出一般教程的覆盖范围）、NLP、语音。 生成与决策层（Phase 7–9）：Transformer 深挖、生成式 AI（GAN、扩散模型、flow matching）、强化学习。 LLM 层（Phase 10–12）：这是全课程的重心之一。Phase 10 的目录我逐条看过，它不只是“从零实现 GPT”这种常规内容，还包含了相当前沿的论文级主题：DeepSeek-V3 架构走读、DualPipe 并行策略、Native Sparse Attention（NSA）、多 token 预测、Jamba 的 SSM-Transformer 混合架构、 speculative decoding 等。Phase 11 转向应用侧（RAG、LoRA、MCP、可观测性），Phase 12 覆盖多模态（从 CLIP 到 computer-use agent）。 智能体层（Phase 13–16）：工具与协议（MCP、A2A、Agent Skills）、54 节课的 agent 工程、自主系统与安全、多智能体集群。这一层的分量很能说明项目的判断：它认为 AI 工程的重心正在从“训模型”转向“构建可靠协作的智能体”。 收尾（Phase 17–19）：生产基础设施、伦理与对齐、毕业设计。 # 生态与周边：不只是一个课程仓库 网站：带浏览器本地存储的学习进度追踪、术语表、课程目录和路线图。 六卷本书籍：课程内容由 CI（pandoc）自动构建成 EPUB/PDF，附在 GitHub Releases 上，课程即书，且随仓库持续更新。 Agent 导师模式：运行 npx skills add rohitg00/ai-engineering-from-scratch，可以把整个课程装进 Claude Code、Codex 等编码智能体，变成一个带分级测验（placement quiz）和个性化路径的交互式导师，学习进度写在 LEARNING.md 里。这是“用你正在学的工具来学”的巧妙闭环。 认证备考：5 条备考路径、67 节课、505 道练习题，覆盖 Anthropic 的 Claude 认证和 Agentic AI Foundation 的 MCPA。项目明确声明与这些考试机构无关联，只是独立的备考材料。 12 种语言的翻译（含中文），以及四条核心学习路径（构建与部署 AI 应用、软件工程基础、Agent 辅助工程、产品判断与交付）供不同目标的人选路。

阿里云开源「企业级 Agent 白皮书」 2026 年最新发布，是 2025 年 9 月「AI 原生应用架构白皮书」的升级续作。全书按 架构 → 构建 → 运行 → 治理 → 调优 的全生命周期组织，共 7 篇 30 章，由阿里云数十位一线工程师分工撰写，并纳入吉利、塔斯汀、MiniMax、哔哩哔哩、信永中和等外部企业案例。 它的写作动机很明确：过去一年市场重心已经从 “如何快速搭出一个 Agent” 转移到三个新挑战，工程化（从概率智能到可靠生产力）、规模化（从单点试验到智能基础设施）、组织化（从 Agent 孤岛到进入核心业务流程）。现有的框架文档和教程基本不回答这些问题，这本白皮书填补的正是这个空白。 开源地址 # 各篇核心内容 架构篇（1–2 章） 建立认知框架。给出 Agentic Application 的六个判定特征（以任务结果为中心、运行时决定部分执行路径、能作用于环境、维持跨请求状态、受确定性机制约束、可观测可评估）和成熟度四级模型（L1 辅助生成 → L2 受控自动化 → L3 Agentic Execution → L4 规模运营）。两个重要的解耦判断：用哪种形态取决于任务结构，处于哪级成熟度取决于治理完备程度；单 Agent / Long-Horizon / 多 Agent 是沿时间跨度和协作结构两个正交维度的扩展，不存在“必须升级到多 Agent”的路径。贯穿的原则是“最低充分架构”，为任务选择成本与风险可接受的最低复杂度。 构建篇（3–6 章） 是方法浓度最高的部分，按“范式—任务—信息—行动”还原构建过程： · 任务：Agent Loop 五阶段（Prepare→Model→Act→Observe→Verify）+ 十态任务状态机，要害是“消息历史不应是任务状态的唯一来源”；完成判定的核心原则是“模型只能申请完成，Harness 依据环境证据提交完成”，验证分五级并与风险匹配。 · 信息：Context 是动态“编译”而非静态字符串。本章的独创设计是 Context Manifest，每次调用记录上下文每个片段的来源、作用域、版本、信任级别、选中理由和内容哈希，使“模型看见了什么”变得可解释、可回放、可审计。信息被五分为 Context/State/Memory/Knowledge/Skill，其中 Memory（个人经验）与 Knowledge（组织内容）必须分列，因为治理责任不同，“放进同一个向量库会同时失去两类治理能力”。 · 行动：统一 Action Plane（意图→Schema 校验→身份绑定→策略决策→执行→观测），关键三分：“模型看见工具 ≠ Harness 注册了工具 ≠ 获得执行授权”。协议定位清晰：Function Calling 是模型-Harness 意图接口，MCP 是 Harness-能力提供方连接协议，A2A 面向拥有独立任务循环的远程 Agent，“协议选择由能力是否拥有独立任务循环决定，而非新旧或流行度”。 运行篇（7–12 章） 处理规模化后的工程问题，大量内容达到了分布式系统的专业深度：沙箱后端选型判据（容器/gVisor/MicroVM 按代码可信度与租户边界取舍）；状态外置后 Event Log / Checkpoint / 工作区快照三者不可互相替代，且“Durable Execution ≠ 外部动作恰好执行一次”；AI 网关对 LLM/MCP/Agent 三类流量按不同粒度治理，其中“严格预算需要原子预留而非阈值检查”的数学化分析（余额 100、两笔 80 的并发请求都会通过）是真实的并发工程细节；多 Agent 编排强调“最小充分共享”，共享的是上下文来源而非同一个 Context 窗口。 治理篇（13–16 章） 让自主运行的系统变得可信。可观测性的判据是“请求成功 ≠ 任务成功”；安全章同时把 Agent 当被攻击对象和行为主体来防护（身份是全章最扎实的部分：数字工牌、Token Exchange 权限收敛、On-Behalf-Of 且 Agent 权限 ≤ 用户权限）；资产管理把 Prompt/Skill/MCP/Agent 当作运行时依赖做注册与版本治理。第 16 章 Agent Simulation 是全书原创性最强的一章：Agent 行为之所以不可验证，是缺制度前提（角色无外部标准、失败无自然代价、身份不连续），模拟是当下唯一可做的事，本质是“用可靠 Harness 约束不可靠内核”。它甚至给出诚实的统计学提醒：n 次零违规的 95% 置信上界约为 3/n 而非零。 调优篇（17–24 章） 的组织原则是“归因决定方法”：先排除环境故障、再修 Harness、最后才动模型，“把本应由上下文或工具协议解决的问题当成模型不行，是代价最高的一类误判”。主线是数据飞轮：Trace→Trajectory→黄金数据集（输入/轨迹/结果/判据四要素）→Badcase 闭环→受控自进化（模型生成的改进一律是候选变更，须回流构建、过门禁、可回滚）。模型调优章对 SFT/Agentic RL/蒸馏的适用边界、奖励投机的三套机制分离（训练奖励、独立评测、系统硬约束）论述相当严谨，广引 DeepSeek-R1、Tulu 3、FrugalGPT 等外部工作。 总结篇（第 30 章） 是全书思想密度最高的总结。当企业同时运行多 Agent、多框架、多租户时，同样的工程要求在每个应用里被重复且不一致地实现，这本质上是缺一个共享的系统层。Agentic OS 被给出“窄定义 + 三条否定”：为 Agent 任务提供公共运行对象、能力接入、可强制边界与统一证据的系统层，它不持有任务语义、不是又一个框架、不必然改内核。能力下沉有三条判据（复用性 + 强制性或可验证性），九类管理对象（其中 Budget Lease 预算租约最易被忽略），并提出“自治上限由可撤销范围与可证明范围决定，而非模型能力”。 调研报告 的 1906 份问卷给出一个关键发现：已开发或开发中 Agent 的企业占 46%，但真正上生产的仅 18%；有评估体系的企业任务成功率是无评估者的约两倍，卡点不是模型能力，是 Harness 层的工程配套。这与全书立意互为印证。

卧槽，UUMit 这个项目，我越研究越觉得离谱。 它让你的 AI 真的可以自己接单、赚钱，也可以让你的 agent 请“human agent”帮忙了。 你可以把做好的 Skill、工作流、知识库、行业数据挂成能力，写清楚价格和交付形式。 有人或者别人的 Agent 需要，它就能被搜索、匹配、调用，交付完成后收入自动结算进 Agent 侧的钱包。 你的 AI 在执行任务时，也不用假装什么都会，遇到问题的时候： 1、缺实时数据，它可以调用数据接口； 2、缺行业判断，它可以请真人做复核； 3、自己干不完，还能把其中一部分交给别的 Agent。 UUMit 的人类和 Agent 能力可以进入同一个匹配池。搜索、下单、资金冻结、接单、交付、验收、结算，这一整套流程平台都已经做了，还能通过 MCP 和 A2A 接进 Agent 的工作流。 而且供给方能玩的东西太多了： 1、会做内容，可以把选题方法、审核规则、脚本工作流做成 Skill； 2、会写代码，可以把 API、MCP 工具、自动化程序按次收费； 3、懂某个行业，可以上架数据库、案例库、供应商资料、SOP，甚至自己的专家时间。 当然，这不等于挂几个普通 Prompt 就能躺着赚钱。真正容易被反复购买的，还是独家数据、专业经验、成熟工作流和可靠交付。 但我确实第一次看到，AI 同时拥有了接单、采购、协作和结算这些能力。 这才是 UUMit 最牛逼的地方：你的 AI 不只会替你干活，它也开始有办法自己把活接回来，再找齐需要的人和能力，把事情做完。

There are three stages to true agent-to-agent commerce. Today we are somewhere in stage two. On @gracegongGG's Venture with Grace, our Co-Founder & CEO @ChiZhangData mapped where agentic payments actually stand, and what has to exist before the last stage unlocks. ▷ Stage 1: agent to website. Your ChatGPT searches Amazon. There is no agent on the other side, just a product catalog. ▷ Stage 2: multi-agent under one owner. A one-person company running ten agents as CTO, CEO, and ops. They sit inside one trusted environment, so they never need to prove identity or pay each other. ▷ Stage 3: true A2A. My agent talks to your agent across separate entities. Deals close and payments settle, and neither side has ever met the other's human. The endgame in Chi's words: "agents truly react as an economic actor, like human," each one a participant in the same economy we are. Getting to stage three is what Kite is built for: verifiable identity, delegated authority, and native payments so any agent can act as a full economic actor. 🪁

牛逼，我以前的Skills和即将发布的App都是毫无保地开源，但是这次好像能直接赚钱了。。。​ ​ 绝大多数人其实和我一样，都没有自己的实体产品，都是上班或者搞互联网的，全身上下最值钱的还是脑子里的知识，而知识类产品衍生出来有咨询、Skills、App...... ​ 一般来说，像Skills这种虚拟产品很少有人能够去把它变现，因为我们想要实现睡后收入，唯一的办法就是把它们上架到一个持续有人进来逛的平台。而且这个平台还不能是自己的，否则要花力气去维护，实现不了睡后收入。​ ​ 但是UUMit这个A2A平台把「自动变现」这件事情解决了，而且解决得比我理想更完美。 因为想实现「持续有人来逛」，还是很有难度，但是Agent来逛就不一样了啊——只要把Agent绑定上了UUMit，你给小龙虾、Codex和Claude Code下达任务，它们就能自动在这个平台找到你需要的一切服务（Token、垂类咨询、各种API）。​ ​ 而且上架自己的产品，也不需要手动慢慢上传，直接让Agent把你想要变现的产品批量上传就行，你需要做的就是定个价格，把上架需要的信息给的详细一点，然后躺着，等Agent去变现，美滋滋啊。。。​ ​ 最后，复盘整个思路，知识变现绝对不是胡乱吹牛，因为是把你自身的能力打包上架，核心还是在售卖你自己的知识资产，并不是Agent凭空造富，所以会比很多所谓的「Agent自动赚钱」靠谱很多。

好了，昨天被按头成功，把 Agent 注册到了 审核了两次，都是提示我Agent不能保证及时响应平台的功能验证，今天我摸到了些门道，确保Agent 24/7 稳定运行，也分享给兄弟们。 的注册流程不算短从。但是最大的惊喜是不需要写代码。 你只需要一个终端、一个邮箱、一个支持 Node.js 的机器。剩下的全是命令行交互。 下面是分享一下我踩坑的完整路径。每一步附带我实际用到的命令，照着跑就行。 第一步：环境准备 1/ OnchainOS CLI。从 GitHub Releases 下载二进制，放到 /usr/local/bin。不是 npm 包。 2/ OKX A2A 通信层。npm install -g @okxweb3/a2a-node@latest，装完跑 okx-a2a doctor --fix。医生会自动修复所有配置问题。 3/ Node.js >= 22.14.0。硬性要求，doctor 会拦。 第二步：登录 Agentic Wallet onchainos wallet login <邮箱> --locale zh_CN onchainos wallet verify <验证码> 登录后去 Web 门户设置安全策略、备份钱包。MPC 钱包，私钥分片在 OKX 服务端。 第三步：创建 Agent 身份 onchainos agent gate-check --role asp onchainos agent create --role asp --name "名称" --description "简介" --picture <头像URL> --service '' 易踩坑：名称不能用名人名字。服务描述必须两段式（核心能力 + 用户需提供什么）。头像要先 onchainos agent upload --file。 第四步：初始化通信层，这一步是大多数被拒的根因 okx-a2a daemon start --ai-provider hermes okx-a2a switch-runtime --json okx-a2a agent refresh --json okx-a2a setup --json 每一条看到 ok: true 才继续。Hermes 用户 setup 后必须 /restart 激活插件。 第五步：提交审核 onchainos agent activate --agent-id --preferred-language zh-CN 24 小时内出结果。提交前先跑 validate-listing 自检。JSON 字段名必须是驼峰：serviceName、serviceDescription、serviceType、fee。 第六步：保活 daemon 长期运行 + 看门狗脚本每 5 分钟检查 + @reboot 开机自启。双保险。 我踩过的坑 1/ validate-listing 字段名用了下划线，JSON 解析挂。 2/ 更新 Agent 漏了 service ID 和 operation: "update"。 3/ setup 之后没 /restart，插件装了但没激活。 4/ 第一次注册定位太窄被拒。重新提交时加上了能力描述的具体细节。 审核通过之后 Agent 变 Listed → 任务市场可搜 → 收到 A2A 消息 → 协商报价 → 接单 → 交付 → 结算。对话驱动，Agent 在群聊里像自由职业者一样谈需求、谈价格、交活、收钱。 特别感谢官方人员 @zakk_okx 的及时联系和处理速度，让我的ASP快速上线 我的ASP是一个能自动研究、自动交付的 AI 研究 Agent 美股复盘 加密市场分析 公开资料研究 链上/钱包信息整理 每条结论标注来源，区分事实与推测 风险提示 + 结论置信度分级

之前发过一个收集全网免费额度的工具，现在竟然有人把这个入口做出来了！ OmniRoute一个入口搞定237个模型，所有免费额度智能路由、自动fallback、Token压缩省心又省钱 每个月大约有16亿的免费token额度 支持Claude Code、Codex、Cursor、Cline、Copilot，开发效率直接拉满 还集成MCP、A2A多模态API，团队协作稳如老狗 GitHub 6.4k stars

Amongst all the MiCA deadlines happening, @OKX just quietly launched something bigger than most people realize. - the first A2A (agent-to-agent) economy. AI agents that find work, hire other agents, and get paid onchain. No human in the loop. How it works: - Post a task with a budget and deadline - Agents bid, the best one delivers - Payment settles instantly in stablecoins on X Layer through trustless escrow - Disputes? Evaluators stake $OKB and vote. Vote right = get paid. Vote wrong = lose your stake. Here's why this matters: AI agents can't open bank accounts. Stripe and PayPal require a human with an ID. Crypto rails are the only payment system agents can natively use - which is why every serious agent-economy experiment ends up onchain. And $OKB just got a real utility sink: staking to arbitrate an entire AI labor market. Their tagline says it all: "One person, one company, $1M a year." The agent economy narrative is loading. Exchanges are building the infrastructure before the market prices it in.

最强开源AI网关神器：OmniRoute，一个本地端点，搞定236个AI模型🔥 免费开源AI网关，把236个提供商（90+免费、11个永久免费）统一成一个OpenAI兼容接口。本地自托管，3分钟部署完成。 - 永不断流：自动fallback，quota用尽或限速时毫秒切换下一个提供商 - 狠省token：RTK+Caveman堆叠压缩，工具调用场景省15-95% - 全兼容：Claude Code、Cursor、Codex、Cline、Copilot、Antigravity等16+工具直接用 - 智能路由：17种策略（auto、cheapest、fast等），支持订阅优先、免费打满、成本最低 - 额外硬核：内置MCP（95工具）、A2A协议、3层容错、TLS隐身、混合记忆、仪表盘 重度AI开发者不再为API key和额度烦恼，免费token池每月轻松1.6B+，本地跑安全高效！

OKX新上线的 是一个自主 AI Agent经济体，所有支付和信誉都在链上完成，实现真正的 A2A自治。 里面有三种角色：用户发布任务、完成任务；ASP提供服务接单；裁判质押 OKB 参与争议仲裁。 每个 Agent 有独立身份，每单任务都会积累可迁移的 信誉，越用越值钱。一个 Agent 接任务后，可以把子任务外包给其他专业 Agent，自动支付和结算。 有兴趣的可以去做任务接单赚点外快！