計畫背景
近年來，AI Agent 技術快速發展，從單一 LLM 應用演進為具備規劃、工具使用與自主決策能力之代理（Agent），廣泛應用於資訊檢索、軟體開發、流程自動化等領域。然而隨著任務複雜度持續提升，單一代理已難以涵蓋所有能力與情境；為此，多智能體（Multi-Agent）架構興起，並進一步催生 Agent-to-Agent（A2A）通訊標準，使代理之間能進行能力宣告、任務傳遞與狀態回報，達成跨代理之協同合作。在機器人領域，亦逐漸發展出以基礎模型作為機器人高階代理之模組化架構，由代理負責解讀任務指令、進行規劃，並採用Model Context Protocol或工具調用的標準協定，透過機器人控制介面執行動作。
研究目標
雖然 Agent 與 A2A 架構以及Model Context Protocol已逐漸成熟，但於機器人領域之實際導入仍面臨兩大挑戰：（一）任務編排層面：當多個代理需協同完成同一複雜任務時，缺乏統一之任務解析、分派、協調與監控機制，使跨代理合作難以擴展，亦限制了異質機器人共同運用之可能；（二）代理開發層面：機器人代理之開發涉及 Agent、Prompt、Model 與 Tool 等多種元素之設計、測試、版本管理與部署，惟目前尚缺乏專為此設計之系統化開發流程與基礎設施，造成開發者重複建置、迭代效率受限，難以滿足實際場域長期維運與快速演進之需求。
技術方法
針對上述兩項挑戰，本計畫之技術方法包含以下兩項：（一）Coordinator Agent 設計：以多智能體架構為基礎，建構任務規劃、解析、分派、協調與監控之核心代理，並依循 Agent-to-Agent（A2A）標準與其他代理互通互運作，協同多個異質機器人完成複雜任務。（二）AgentOps 基礎設施：建立 Agent、Prompt、Model 與 Tool 之版本管理、自動化測試、評估與持續整合／持續部署（CI/CD）流程，並整合 MLOps 模型生命週期管理與 Kubernetes 雲原生部署，提供標準化之代理開發工具鏈，協助開發者快速建構並迭代代理。
創新
本計畫結合雲原生與多智能體技術，並依循Agent-to-Agent標準，打造異質機器人編排與管理平台，以Coordinator Agent實現任務解析、分派與協同控制，並整合AgentOps、MLOps與Kubernetes，達成模型與系統全生命週期自動化管理及部署，提升異質機器人協作效率與擴展性。
預期成果
本研究採用多智能體（Multi-Agent）技術進行機器人之代理與協調，並透過 Agent-to-Agent 架構實現多個異質機器人的管理與任務編排，以達成多機器人之協同合作。此外，系統整合雲原生架構、AgentOps 與 MLOps 等技術，實現模型與系統之全生命週期自動化管理與部署。整體而言，具備以下效益：
水平分工： Agent-to-Agent 架構提供良好的抽象層，使各團隊或研發者能專注於 AI 模型、機器人功能及工具之開發，提升研發效率與模組化程度。
垂直整合： 平台支援多機器人協作應用與系統整合。平台採用標準的Model Context Protocol，使各團隊或應用開發者得以專注於應用邏輯與實作，加速解決方案落地。