粉丝235获赞527

嗨,大家好,这里是桌面工厂,今天分享自动生成工程图的方法。打开一个标准工程图模板,点击插入,点击工程式图,点击预定义的式图,放置三式图及轴侧图并调整位置, 点击另存为保存类型,选择工程图模板,自定义一个文件名,记录上方工程图保存路径。 关闭模板工程图,点击桌面开始图标,找到 solidworks 工具,找到 solidworks task editor 软件并打开, 选择生成工程图,点击右侧浏览,输入刚才保存的工程图模板,路径为刚才保存时的路径, 点击添加文件,点击打开,添加要转为工程图的零件,选择文件可多选, 选中后点击打开,点击完成,此时软件会自动运行并逐一生成工程图,工程图生成完成。

ai 编程工作流太卷了!又一个卷王出现!同类 ai 编程工作流项目已经很多了,比如 superpowers 也是在管 ai agent 怎么干活,但这个 agent skills 定位很明确,它不是玩具项目,它是面向生产级软件交付的。这点很关键。你看它的结构 刚好对应一个真实项目,从需求设计开发测试审查到发布的完整生命周期。下面还有二十个技能,不是泛泛而谈的 prompt, 每个技能都有出发条件,执行步骤,检查点, 退出标准,甚至还有反自我合理化表,说白了就是专门防 ai 偷懒,防 ai 跳步骤。更关键的是,它把成熟工程团队里的东西塞进了 agent 流程, 比如 hiram's law, beyonce rule 测试金字塔 chesterton's fence trunk based development feature flag shift left。 所以 它和很多同类项目的区别在于,别人更像让 ai 更听话,这个项目更像让 ai 按生产环境的规矩干活。如果你只是做 demo, 它可能有点重,但如果你想让 ai 真正参与项目交付,生产级流程才是飞飞令。

打开之前保存的保存录的,设置播放速度,零点五一二等选择设置播放速度,调自己需要的速度, 可循环播放,循环播放,调需要循环的次数,循环取消循环。设置录制快捷键 f 十二,设置播放快捷键 f 八, 可以中途暂停比较好用的新功能。窗口置顶按 f 十啊录制操作,自己机械重复地录制下来。 移动 按 f 十啊录制完成,按 f 八播放。刚刚录制的 合适的可以保存。下次打开直接使用,可以按 f 八停止播放。 感谢观看!

在上一集讲解了内容创作,从调研到成稿。本集我们讲解多 a 整的编排,让三个 a 整的同时跑,当一个 a 整的不够用时,关键不是把它塞得更满,而是把任务拆开,让多个 a 整的并行推进。 单 agent 的 上线往往卡在上下文窗口和工具级,任务一复杂就会先撞上上下文爆炸。调研、编码和测试全挤在一个上下文里,信息会互相干扰,网页材料还会大量消耗,托肯留给代码推理的空间就不够了。 第二,堵墙实时时间瓶颈。三个任务如果限时执行,每隔三十分钟,总共就是九十分钟,如果能定型,总时间就只看最慢的那个。 hermes 的 delegate task 正是为了解决这两个问题,他最多同时启动三个子 agent。 每个子 agent 都有独立上下文和独立工具级,这样调研、编码和测试就能分车到推进,彼此不再强注意力。 delegate task 不是 简单的开个子现成,而是一整套写作极致。 第一,它给每个子 agent 独立上下文,子 agent 有 自己的对话历史,不会污染主 agent 的 上下文。第二,它支持受限工具级调研, agent 只给 web 和 browser 编码, agent 再给 terminal 和 file。 第三,每个子 agent 都有独立终端绘画,彼此互不干扰。第四,并发症被控制在三个,这不是保守,而是为了防止主 agent 扛不住后面的汇总负担。 第五,子 agent 完成后,结果会统一回传给主 agent 做整合,真正需要帮助的不只是算力够不够,超过三个独立信息员之后,主 agent 的 注意力分配会明显变差,所以这个限制本质上是在保护最终汇总质量。竞品分析特别适合多 agent 编排,因为三个对象彼此独立, 但最后又需要放在一起统一比较。主 agent 先定义任务模板、输出结构,围绕定位、核心功能、技术架构、定价社区还有优缺点展开, 而且三份结果都统一用 markdown 结构输出。接着派出三个字, agent, a 去调研 cloud code, b 去调研 cursor, c 去调研 hermes。 三个子 agent 都只分配 web 和 browser 两个工具,这样他们专注搜索和读取,不会把任务边界拉乱。等三份调研结果回来,主 agent 再统一汇总, 最后补上自己的判断和推荐,一份对比报告就成型了。传统做法是三段式,先相加三十加三十,再加三十再加三十, 并行之后,时间模型就从 a 加 b 加 c 变成 max abc。 原本九十分钟的任务,常常十五分钟左右就能看到第一版,结果连原本要花四十分钟的竞品分析也能被压缩到十五分钟附近。受限工具级不只是效率工具,更是多 agent 的 编排里最关键的安全设计。 最危险的情况是, agent 则在网上搜到带恶意注入的代码片段,如果它同时还握有 terminal 权限,风险就会被直接放大。所以调研指 agent 则指给 web 和 browser, 他只能搜索和读取,不能执行任何代码编码值。 agent 则再给 terminal file 和 code execution, 这样他只负责本地代码操作和执行 汇总值。 agent 最稳妥的方式是不给外部工具,他只做文本分析和结果收束,不直接接触外部世界。反过来,如果每个子 agent 的 都开全部工具,虽然看起来最方便,但隔离就彻底失效了。 最小权限原则放到 agent 世界里,意思就是每个角色只做他该做的那一小段事。还有一个常见误区是为了炫技而过度设计多 agent, 只有在上下文不够用或者确实需要并行加速时才值得起用。 delegate task and target 的三 a 整架构更像一个思维框架,它把复杂任务拆成规划、执行、评估三个环节。角色分工是固定的,通信方式也更接近链式传递。 hermes 的 delegate task 则更像执行工具,它不是先规定角色,而是根据任务来灵活编排。 通信方式是新型结构,由主 a 整分发,再把结果收回来。 antropic 那 套通常更偏串行推进, hermes 这里则明确支持最多三个并发。记忆能力上,两者也不一样, andforepic 的 三 a 整方案本身没有内置长期记忆, hermes 则可以让主 a 整值继续利用长期记忆来组织和汇总任务。所以一个更像固定架构,一个更像按任务自由组合的调度工具。 真正实用的方式不是照搬名字,而是根据任务决定要不要拆,拆给谁,最后怎么收口。多 a 整编排最适合能天然拆块并行的任务,比如调研类任务,可以同时收集多个话题的信息。对比分析也很适合,因为多个对象可以同时评估。 测试矩阵多环境验证、多用力运行,也很适合并行拆分。数据处理里的多文件转换、多格式处理同样受益明显。内容创作也一样,大纲、材料和配图都可以并行推进,但简单问答就没必要拆, 强依赖前一步结果的现行流程也不适合拆。如果上下文本来很短,但任务就能完成,拆分只会增加沟通成本。需要频繁确认的强交互任务同样不适合交给多个子 a 阵的并行跑。 资源有限的 v p s 场景也要谨慎,因为算力和会坏话都更紧张。经验法则很简单,如果当 a 整在当前上下文窗口里已经能稳稳做完,就不要为了看起来高级而强行上并行。拆分之后还要让汇总简单。每个子 a 整的输出都应该自包含,格式统一,可以直接拼接。并行是放大器,不是默认答案。 一个 agent 上单旗,一群 agent 上旗兵团带给 task 的 价值就是在保证质量和可信的前提下,把复杂任务的处理时间压到更短。下一集是 hermes versus open code versus quote code。 我 们会把三种路线放在一起对比定位边界和组合方式,下集见。

以他妈福瑞二 tos 创建了六个任务,任务函数名叫塔斯克一、塔斯克二、塔斯克三、塔斯克四、塔斯克五、塔斯克六,几周后项目要加功能一,打开代码,两眼一黑,塔斯克三和 塔斯克五哪个是温控,哪个是通信,完全分不清,一个个点进去看代码内容才猜出来,浪费半小时。问你为什么不给任务函数取有意义的名字?你说当时开任务的时候随便起的,以起名字的时候省了两秒,后面每次维护都要花十分钟。更离谱的是任务距比较差, 擦汗抖一,擦汗抖二,挂起任务的时候都不知道自己挂起的到底是哪个功能项目,除了八格,你连排查都查不了。想学好 r y 做好三件事。第一,任务函数名必须体现功能和层级。维塔斯克 adc, 维塔斯克 m p u t t 一 看名字就知道这个任务是干嘛的。第二,任务据笔命名,与函数保持一致。擦汗抖 adc, 擦汗抖 m p u t t 别叫擦汗抖一。 第三,所有任务创建一个任务表,注视在文件头部,任务名优先级占大小周期,功能描述全部列清楚。还他妈只会维尔一死,循环写代码的来三个六,甩你一套儿 t u i 上手实战路线图和实战模板,别他妈再靠猜来维护自己的代码了,散会。

我们来给大家讲一个很重要的,当你在写作当中,如果你的作文一直困在六到六点五分之间,上上下下,起起伏伏,但是你的目标要冲刺到七分当中去,你可能首先要解决的问题是在 task response 上的一个重点的回应。那我们今天来看一下,也就是说 当你看到一个题目,你再写出来一个论点和论证的时候,为什么有的同学就是六分,六点五分,有的同学就能跑到七分去?那我们通过一些真实的案例来看一下这个应该怎么来去提升。首先我们一起来看一下这个题目, 有的人觉得孩子是应当在他们的空余时间参加一些有组织的活动,另外一些人觉得孩子应当在自己的空余时间自己来决定要做什么样的活动,好让你讨论两个观点,并且给出自己的观点。那我们今天就先拿前面的第一个 题目来作为一个示范,大家可以看一下。那我们在这个题目当中,其实最关键的就是 organized activities 有组织的活动。好,那我们先来看一下在跑团当中第一个同学写到的作业,它其实是这样子的,大家可以在这按一下暂停键,然后来看一下它里面具体的内容。 ok, 那 我在这就默认大家已经看完了。其实如果你看完的话,你会觉得这个同学其实写的还是可以的,他第一句话写到的是 organize activities 对 于发展孩子的社交技能来说是非常重要的。 essential for developing social skills。 后面他具体来解释了,孩子通过参加这些活动,他们可以有效地去交流,然后共同来承担责任,并且互相支持,所以这些互动可以帮他们建立起长久的一些友谊,然后一些社交的网络, 那对于整个的身心健康、抗压能力来说非常重要的。那读完这个段落,我们大概基本上这个同学可以锁定在六点五分上下的这个水平啊,一般是六到六点五,但是往七分是不太够的。为什么? 其实他除了第一句用了 organized activities 之外,我们把这句话刨除掉了之后,我们会看后面整个文章的内容。大家有没有发现,其实 整个文章后面的内容,它其实对于 organize activities 的 特征或者是特性,它论证的并不是特别清楚。 也就是说你换到任何一个 activities 上,那比如说为什么要做体育活动呀?或者是为什么要去参加课外活动,好像似乎有一点半精油的感觉。那这个时候考官其实看完了之后就会觉得你对于这个 task response organized activities 的 回应度, 大概可能距离一个气氛还是有一点偏差的。那我们怎么来去想,怎么来去写能够更贴近 organize activities 呢?比如说我们从这几个角度来看,那有组织有规划的活动,无非可以从这么几个特性上来去体现。第一个它会有监督和指导的, 比如说大家去参加一些体育比赛,它会有教练的指导还有监督。这些有组织的活动结束之后,它一定会有一些 feedback, 还有一些打分,并且所有的有组织的活动,它一定是有一个清晰的目标的, 然后所有有组织的活动一定是有一个清晰的时间安排和规划的,那所有的这四项,其实它才是一个真正 organized activity 所具有的特征。 如果你从这四个方面来说,那你的这个对于任务的 task response 回应度就是百分之一百。所以如果我们再来看一个同学的作业,我们从这个角度来看的话,你就会发现第二个同学对于 organize activities 的 回应是更完善和恰当的。那我们来看, organize activities typically involve adults, such as teachers and coaches who supervise children to ensure their safety this supervision helps prevent accidents and risk behaviors allowing children to explore and engage without fear of harm。 好, 那整个的这个段落围绕的都是 organized activities, 它的特性有监督,有指导,所以它会避免一些意外或者是一些身体上的损伤,那这个就是完美的能够百分之百契合 organized activities 这个特征。 所以当我们把两个段落放到一起来并列看的时候,其实大家就会发现第一个段落和第二个段落之间,它们是存在一些区别的。虽然第一个段落也不算作是跑题啊, 但是它比较于第二个段落当中,我们就会看到第二个段落它是完美地符合在 organize activities 当中的这个特性。但是第一个段落可能只有一部分是契合在这个 organize activities 这个特征当中的,那因此从这个角度上来看的话,第二个其实在 task response 方面, tr 方面 做的是更好的,而第一个相对来说是有欠缺的。那从这样两个对比的角度,大家也就会发现我自己在写作文的时候,为什么我的用词和语法没有问题, 那有时候他就是上不到七分呢?也就是说当你的在任务回应度的契合度上,匹配度上,是否能够完美的来匹配到话题当中,选要你描述的内容以及你所展现的一些逻辑观点是否百分之百和这个话题是契合的。 如果百分之百是切合的,那完全没有问题,但是好像似乎有一些万金油的感觉的时候,又和这个 organize activities 不是 那么切合的时候,它可能就会对于你的 task response 有 一些影响。想考到七分以上的同学,这个是非常受用的。但是如果你只是六分到六点五分的目标, 用万金油的一些素材也是完全没有问题的。只是当你在不停地往上冲刺的时候,你需要明确自己努力的方向是什么。好的,这个就是我们今天拿写作跑团当中同学的作业,来给大家展示一下不同分数段的 task response 之间的在题目论证方面的区别。

面试官问你怎么量化一个 agent 的 性能?你千万别上来就说看任务有没有完成。这个回答不能说错,但太浅了。视频最后汇总,给出这道题的完美回答, 我是小哲,点赞收藏加关注,我们马上开始今天的讲解。因为 agent 和普通大模型不一样,普通大模型主要评估生成质量,比如回答准不准,表达好不好。但 agent 是 要干活的,它会规划任务,会多轮交互,会调用工具,还会根据外部环境反馈不断调整。 所以评估 agent 不 能只看最后一句话说得漂不漂亮,而要看它到底有没有把事儿办成,过程是不是可靠,成本是不是可控。 第一层先看结果,也就是任务成功率。你可以把 agent 理解成一个数字员工,你交给他一个任务,最基本的问题就是他有没有完成。 比如你让他帮你生成一份周报,他最后有没有生成正确文件,你让他改数据库里的订单状态,他最终状态有没有从代处理变成已完成。你让他执行一段代码,他有没有通过测试用力,这叫 task level success, 也就是任务级成功率,这是底线。 但注意,只看结果还不够。因为两个 agent 都完成了任务,一个用了三步,一个绕了三十步,中间还调错了好几个接口,你能说它俩一样优秀吗?肯定不能。 所以第二层要看过程,也就是轨迹评估, agent 的 每一步规划,每一次工具调用,每一次重试,都应该被记录下来。这里面重点看三个指标,第一个,工具调用是否准确。该查数据库的时候,他有没有去调用搜索工具,该传用户 id 的 地方,他有没有传成订单 id 工具选错参数传错都是 agent 落地里最常见的问题。第二个,执行路径是否高效?他有没有反复查同一个信息,有没有明明一步能解决,结果拆成十几步,这会直接影响延迟和成本。第三个,自我纠错能力。真正成熟的 agent 不是 永远不出错,而是出错之后能不能识别问题,重新规划,再次尝试。 比如接口返回参数错误,他能不能根据报错信息修正参数,而不是直接说我失败了。这个能力面试里一讲出来就很像真的做过工程。 第三层要看系统指标,因为 agent 不 只是算法问题,还是工程问题,你要看端到端延迟,也就是用户从发起任务到拿到结果要等多久。你要看 token 消耗和工具调用成本。你还要看稳定性,比如连续跑一百次,有多少次能稳定完成 一个 agent 如果任务能完成,但每次都要跑一分钟,消耗几万 token, 还要调用一堆外部 api, 那 在真实业务里也很难上线。所以一句话总结, agent 的 评估要分三层,结果层、过程层、系统层。结果看有没有做成,过程看怎么做成,系统看做成这件事花了多少代价, 那指标有了,怎么做?自动化评测?第一种最客观的是代码断言,比如 agent 写代码,那就直接跑单元测试, 测试通过就是成功,测试失败就是失败。这种适合有明确标准答案的任务,比如代码生成、 c code 生成、数学计算配置修改。 第二种看环境状态变化,比如 agent 操作了一个后台系统,评测时不止看它怎么说,而是看数据库记录有没有变,文件有没有生成,页面状态有没有更新。这类评测特别适合 rpa 数据分析、 agent 运维 agent。 第三种是 l l m s judge, 也就是让模型当裁判,比如让 agent 写一封客户安抚邮件。这种任务没有唯一标准答案,你就可以让更强的模型按照规则打分,比如从语气是否合适,信息是否完整,有没有安全风险,是否符合业务目标这几个维度评分。但这里要注意,模型裁判只能辅助,不能完全迷信 面试官。如果继续追问评测 agent 最难的地方是什么?你一定要讲这三个坑。第一个坑,错误会传递 agent。 第一步,规划错了,后面可能全都错,最后失败了。你很难判断到底是规划能力差,还是工具接口不好用,还是环境反馈不清楚。 解决办法是模块化评估,比如把工具接口 mock 掉,固定环境反馈,单独压测规划能力,或者固定规划路径,只测工具调用是否稳定,这样才能精准归音。 第二个坑,结果不稳定,同一个任务,今天成功,明天失败,可能是模型采样不同,也可能是网络波动,也可能是环境状态变化。解决办法是沙盒化评测,每次测试前恢复同一份环境快照,让数据库文件、账号、状态都回到同一起点,否则你测出来的不是 agent 能力,而是环境运气。 第三个坑,裁判也会出错, agent 可能只是说自己完成了,但实际上没完成,模型裁判也可能被他骗过去,给了高分。解决办法是多路验证,能用规则断言就别只用模型裁判,能查环境状态就别只看文字描述。模型裁判也可以用多个模型交叉评估,再配合人工抽检校准。 最后,面试的时候,你可以这样总结,评估 agent 不 能只看任务成功率,而要建立一套立体化指标体系。第一看结果任务有没有完成。第二看过程规划是否合理,工具调用是否准确,能不能自我纠错。第三看系统 延迟成本稳定性是否能支撑真实上。现在实现上,确定性任务优先用代码断言和状态比对开放式任务再引入模型裁判。真正难的不是定义几个指标,而是处理真实环境里的错误传递非确定性和裁判幻觉。 所以工程上要配合 mock 工具、沙盒快照、多路裁判和人工抽检,形成一套可复现、可归音、可持续迭代的评测闭环。你这样答,面试官就知道你不是只会调 api, 而是真的理解 agent 怎么落地。

如果我问你去年 ai 全最成功的协议是谁,你大概率会说, m c p model contracts protocol 模型上下文协议 antropic 在 二零二四年底开源, 二零二五年一路狂飙,到二零二六年初, sdk 月下载量突破九千七百万九四零零多个公开服务器被 open ai、 google、 微软、亚马逊全部接入。 说它是 ai agent 的 usbc 一 点都不夸张。但如果你把 m c p 讲透了,就会碰到一个它解决不了的问题。 m c p 解决的是一个 agent 怎么用工具?它告诉模型,你可以在 github 上搜代码,你可以在 postgress 里查数据,你可以在 slack 里发消息,但真实世界里的任务很少是一个 agent 单打独斗就能完成的。 举个例子,你现在让 ai 帮你做一件事,分析我们公司上个月的销售数据,找出下滑最多的产品线,然后给负责那条线的经理写一封邮件,建议三个改进方向。这件事至少需要几个角色,一个 agent 去拉数据,一个 agent 做分析,一个 agent 写报告,一个 agent 负责发邮件。 每个 agent 可能用的工具不一样,跑的模型不一样,部署在不一样的服务器上,甚至属于不一样的公司。 m c p 能帮每个 agent 接上自己的工具,但 m c p 管不了一件事,这些 agent 之间怎么说话,这就是 a to a 要解决的问题。 a to a 全称 agent to agent protocol 智能体间通信协议,它由 google 在 二零二五年四月发布,二零二六年四月正式推至一点零版本,目前已经在一百五十多个组织进入生产使用。二零二五年底和 m c p 一 起被捐赠给 linux foundation 旗下的 agencai foundation 共同治理。 如果说 m c p 是 agent 的 工具层协议, a to a 就是 agent 的 协助层协议。三个月前我刚讲过 m c p 本来不打算再讲协议,但 a to a 不 一样,它确实是在解决一个 m c p 故意不去碰的问题。 什么问题呢?你看 m c p 的 设计逻辑,一个 agent 作为 m c p, client 去调用 m c p server, server 暴露工具列表, client 发现工具,调用工具拿到结果。 这个过程有一个隐含前提, server 是 被动的, server 不 思考,不决策,不自己判断要不要接这个活。它只是暴露工具,等着被调。但如果你把另一个 agent 当成工具来调,问题就来了, agent 不是 工具。 agent 有 自己不可见的状态,有自己的任务节奏,有自己需要跟用户确认的事项。 你让他把销售数据给我,他可能需要先问你,你要哪个时间段的数据。你让他发一封邮件,他可能得先确认收件人列表是不是这一批。如果你强行用 m c p 的 工具调用模式去驱动另一个 agent, 你 得把对方的每一步推理都暴露出来,你得替他管理状态,你得处理他可能需要的用户交互。 这完全走不通。所以, a to a 的 设计哲学跟 m c p 完全不一样, a to a 不 把对方当工具, a to a 把对方当另一个 agent。 它定义了三样东西,第一个叫 agent card 智能体名片。任何一个支持 a to a 的 agent, 都会在一个标准路径上挂一张 j s o n 格式的名片, 这张名片上写着,我是谁?我能做什么?我支持哪些输入输出模式?我需要什么认证方式?我的服务质量承诺是什么?但名片上不写的是我内部用什么模型,我的记忆里有些什么?我的工具是怎么组织的?我之前的推理过程是什么样的? 这就是 a to a 最核心的设计原则。 agent 之间基于声明能力来写作,而不是互相翻对方的内部代码。你想让一个销售数据 agent 做事, 你不需要知道他用的是 gpt 还是 jemmy, 也不需要知道他内部连了多少张数据表,你只需要看他的名片,确认他能做销售分析,就给他派活。第二个叫 task 任务,这是 a to a 最核心的工作单元, 一个 task 有 一个唯一 id, 有 一个状态机,提交工作中需补充信息这个状态,这是 a to a 区别于 mcp 的 关键所在。 一个 agent 收到任务后,如果发现信息不够,他可以反过来问你要任务状态变成需补充信息,你补充后他继续,这个过程可以多轮来回。 a to a 的 设计者很清楚, agent 之间的协作不是一次调用就完事的,它是多轮有状态,可能中断,需要协商的。这点跟人和人之间的工作委托几乎一模一样。第三个叫 transport 传输层,这部分反而很简单, j s o n r p c 二点零走 h t p s 长任务,用 server sent events 做流逝更新,或者用 webhook 做异步通知版本,零点三还加了格尔 pc 支持。总之就是成熟到无聊的协议战,没有任何花活 好。这三个核心机制讲完,你就能理解 a to a 和 m c p 到底是怎么分工的了。我把它总结成一张对比表, m c p 回答的是 agent 怎么连接工具和数据。 a to a 回答的是 agent 怎么连接另一个 agent。 m c p。 的 工作单元是工具调用一次性,通常是 stateless。 a to a 的 工作单元是任务多轮,天然 stateful。 m c p。 的 发现机制是 server 暴露工具列表 a to a 的 发现机制是 agent 声明 agent card m c p。 的 传输层 studio h t t p 加 s s e webster a to a 的 传输层 h t t p 加 s s e g r p c j s o n r p c。 二点零 m c p。 管的是 agent 的 手能不能拿到正确工具。 a to a 管的是 agent 的 嘴,能不能跟别的 agent 正常对话。两者不是竞争关系。 生产级的 agent 系统,大概率两个都要用。底层用 m c p。 连接工具和数据,上层用 a to a 做多 agent 编排。换句话说, m c p。 让一个 agent 变成很强, a to a 让一群 agent 变成一个团队。用 turian ai 在 二零二六年五月一篇文章里的表述 非常惊艳。 a to a agents collaborate based on declared capabilities not by inspecting each other's internals。 a to a agent 基于声明出来的能力进行写作, 而不是靠互相检查对方的内部实现。这也意味着 a to a 天然适合跨组织场景。你的 agent 可以 对一个外部 agent 说,帮我做一份竞品,分析对方接任务做完,把结果以结构化 effect 的 形式返回给你。 整个过程中,你们两家都没有暴露各自的模型、数据、内部工具和业务逻辑,这对企业级应用来说价值巨大。当然, a to a 目前还不是完美的, 他还很年轻,二零二五年四月才第一次公开发布实际生产部署正在爬坡跟 m c p 之间的互操作性。比如能不能把 m c p server 直接包装成 a to a skill? 目前还是纸面上的路线图社区预计二零二六 q 三才会有联合规范出来, 信号已经非常明确了。二零二六年四月, google cloud next 二十六大会上, google 直接把整个云 ai 基础设施的品牌围绕自主企业 agent 重新打造了一遍。同一时间, antropic 推出 managed agents 和 cloud ops。 四点七 landchain 下载量突破十亿, mcp 和 a2a 同时被 linux foundation 治理。 这些信息放在一起,指向了同一件事, agent 的 基础设施标准化正在从各自造轮子进入统一协议战阶段。就像互联网早期,各家公司自己的网络协议打架,最后收敛到 tcp ip。 现在 agent 世界也在经历同样的收敛。 m c p 拿了工具层, a to a 正在拿协助层。这可能是二零二六年 ai 基础设施层面最值被你关注的一件事, 因为它一旦定下来,就意味着之后所有 agent 的 协助方式都会被这两个协议定义。最后用一句话收尾, m c p 让 agent 有 了工具箱, a to a 让 agent 有 了同事圈。一个 agent 会干活很重要,但一群 agent 能配合起来干活,才是真正的战斗力革命。而 a to a 就是 这场革命里正在形成的工作语言。

如果你的电脑用的是这个 a g 浏览器,那么这个服务一定要禁止,因为它开机会占用你大量的 cpu 性能。这个就是 a g 浏览器的自动更新服务,它每天每隔一个小时就会自动检测一次,让你游戏突然卡顿掉帧。 点击开始菜单搜索框,输入计划,点击任务计划程序左侧选择任务计划程序库,选中第一个文件,居然给它制定了很多触发器,我们双击进入, 取消它的最高权限,然后找到触发器,删除这个每天的定时检测,点击删除,然后返回设置,把这个按需运行取消,下面这个过了时间也取消,失败也取消, 取消它的后台运行,点击确定最后一个,同样取消它的最高权限。触发器里面取消这个,每小时更新一次,点击删除,在设置里面取消它的全部权限,点击确定,这样你的电脑就正常了。