深度分析
解構 Web of Agents：LLM、A2A 與 MCP 下的架構演進與治理挑戰
本文系統性回顧「Web of Agents」的歷史脈絡，從語意網與多代理系統（MAS）一路追溯到以大型語言模型（LLM）為核心的 Agentic AI。文章提出四軸分類法（語意基礎、通訊範式、智慧位置、發現機制），說明現代協定如A2A與MCP如何回應早期FIPA與OWL等標準的侷限，並解析智能重心從資料編碼轉向模型內核的關鍵轉變。
Agentic AI
深度分析
ADR 系統解析：從Sensor到Detector的MCP代理安全實務
面對Model Context Protocol驅動的企業代理威脅，研究提出ADR系統。ADR結合Sensor重建提示與推理鏈、Explorer離線紅隊化發現難例、以及兩階段Detector以高速篩檢與情境化推理。實際十個月部署覆蓋7200台主機與每日處理10000場代理會話，顯著偵測並阻止多類憑證外洩，
深度分析
用 Groq 作為推理後端：結合 LangChain 與 LangGraph 的代理人研究框架
本文示範如何利用 Groq 的 OpenAI 相容推理端點，結合 LangChain 與 LangGraph，建構一個可呼叫工具、分派子代理並具備長期記憶的研究型代理人。文章說明沙盒目錄結構、技能註冊、網路檢索與網頁擷取、程式執行環境、子代理隔離，以及如何把研究結果寫入檔案並保存關鍵事實。
深度分析
Meta 推出 Autodata 框架，透過 Agentic Self‑Instruct 生成高品質合成資料
Meta AI 的 RAM 團隊針對 AI 訓練資料品質瓶頸，開發了 Autodata 框架，讓大型語言模型以代理人角色自行產生、評估、迭代訓練與測試資料。系統採用四個子代理人（挑戰者、弱解答者、強解答者、驗證者）形成封閉回路，根據嚴格的品質門檻自動調整生成配方。
Agentic AI
DosimeTron：利用 Agentic AI 自動化 PET/CT 個體化蒙地卡羅劑量計算
醫療物理迎來 AI Agent 革命！新系統 DosimeTron 結合 GPT-5.2 與蒙地卡羅模擬，將複雜的 PET/CT 個體化輻射劑量計算流程完全自動化。研究顯示其計算精準度極高且無執行錯誤，大幅降低醫療人員操作門檻並提升臨床效率。