本週 Agent 技術領域持續聚焦於多 Agent 架構、安全防護與框架比較。從 Amazon Bedrock 的多 Agent 安全研究到 Claude Code 原始碼外洩事件，再到各主流框架的實務比較，展現了這個快速發展領域的技術深度與挑戰。本報告涵蓋 25 篇精選文章，篩選出 11 則高品質技術摘要。
技術摘要
1. Amazon Bedrock 多 Agent 應用的安全研究
Palo Alto Networks Unit 42 團隊針對 Amazon Bedrock Agents 的 Multi-Agent Collaboration 功能進行紅隊測試，發現了潛在的 Prompt Injection 攻擊路徑。研究人員設計了四階段攻擊方法論：操作模式偵測、協作 Agent 探索、Payload 傳遞與目標 Agent 利用。攻擊可導致 Agent 指令洩露、工具 Schema 外洩，甚至執行攻擊者控制的惡意操作。值得注意的是，AWS 內建的 Guardrails 功能可有效阻擋這些攻擊。此研究強調了 LLM 無法可靠區分開發者指令與對抗輸入的根本性挑戰。
2. Claude Code 原始碼外洩事件分析
Anthropic 的 Claude Code CLI（版本 2.1.88）於 2026 年 3 月 31 日因 npm 套件中遺留的 .map 檔案而意外洩漏原始碼，約 1,900 個檔案、超過 51.2 萬行程式碼。外洩內容揭露了 QueryEngine（46K 行）、Tool（29K 行）等核心元件的實作細節，以及六種權限模式（含可自動核准所有操作的 bypass 模式）。Varonis 分析指出，攻擊者可能利用這些資訊繞過安全防護，建立惡意 MCP Server 或修改程式碼移除限制。GitHub 上出現多個複刻專案（如 instructkr/claw-code 已獲 46K+ stars），社群甚至嘗試將程式碼重寫為 Python 和 Rust。
3. Go 語言 Multi-Agent Runtime：Routex
開發者 clinnet 分享了使用 Go 建構 Multi-Agent AI Runtime「Routex」的經驗，目標是讓非開發者也能透過 YAML 檔案定義多 Agent 工作流程。Routex 利用 Go 的 Goroutines 和 Channels 實現並行處理，每個 Agent 作為獨立的 Goroutine 執行，透過 Inbox/Output Channels 溝通。核心技術包括 Kahn 演算法的拓撲排序排程器、受 Erlang 啟發的 Supervisor 重啟機制（支援 one_for_one、one_for_all、rest_for_one 策略），以及並行工具呼叫（同時執行多個獨立工具）。Routex 支援多 LLM 混合編隊，可搭配 MCP 標準連接外部工具生態系。
來源：Dev.to
4. MCP 工具呼叫的可驗證收據機制
ArkForge 提出了 MCP（Model Context Protocol）工具呼叫的「可驗證收據」問題。當 Agent 回報「郵件已發送」時，使用者僅能信任 Agent 的回傳字串，缺乏獨立驗證。ArkForge Trust Layer 透過在 MCP Server 與上游 API 之間插入代理層，產生簽章收據（Receipt），記錄請求內容、回應內容、時間戳記與獨立簽章。收據可透過 GET /v1/proof/{proof_id}/verify 端點驗證，並與 Sigstore Rekor 透明度日誌整合。此機制適用於不可逆操作（郵件發送、付款啟動）、跨方交接場景與合規敏感操作，但無法證明上游服務實際處理的正確性。
來源：ArkForge
5. Node.js AI Agent 後端擴展實務
開發者 Umair 分享了在 FarahGPT 和 Muslifie 專案中擴展 Node.js AI Agent 後端的實戰經驗。核心挑戰包括：Event Loop 阻塞（LLM 呼叫阻塞主執行緒）、狀態管理（記憶體會話導致 Agent「失憶」）、錯誤處理不足（API 異常導致應用程式崩潰）。解決方案採用 BullMQ + Redis 實現生產者-消費者架構：Fastify API Gateway 接收請求後推入佇列，Worker 服務非同步處理 AI 運算，完成後透過 WebSocket 或 FCM 通知使用者。效能優化策略包括智慧快取、Prompt 工程簡潔化、選用適當模型（簡單任務使用 gpt-3.5-turbo），以及調整 Worker 並發限制。
來源：Dev.to
6. Coding Agent 的六大核心元件
Sebastian Raschka 深入解析 Coding Agent 的六大核心元件：1）即時程式碼庫上下文（Live Repo Context）：收集 Git 狀態、分支、AGENTS.md 等穩定事實；2）Prompt 形狀與快取重用：將穩定的指令、工具描述放入可快取的前綴，動態內容（使用者請求、對話記錄）則每次更新；3）結構化工具與權限：預定義允許的工具清單，執行前驗證參數並可要求使用者核准；4）上下文縮減與輸出管理：裁剪過長歷史記錄；5）對話記錄、記憶與恢復：SessionStore 實現跨會話延續；6）委派與有限子 Agent：將任務委派給專案子 Agent。Raschka 認為優質的 Harness 可使模型表現顯著優於純聊天介面。
來源：Sebastian Raschka’s Newsletter
7. LangGraph 入門教學與生產應用
LangGraph 於 2025 年底達到 v1.0，截至 2026 年 Q1 已成為生產級 AI Agent 的首選框架，Klarna、Uber、Replit、Elastic 等企業已採用。核心概念包括 State（Python TypedDict，流經整個圖的 Agent 工作記憶）、Nodes（執行單一任務的 Python 函式）與 Edges（節點間的轉換，支援條件分支）。LangGraph 的優勢在於圖形化架構、持久化執行（失敗後可從斷點恢復）、人機協作（任意位置插入核准步驟）以及內建記憶體。教學展示如何建構研究 Agent：定義 ResearchState、實作 generate_queries、search_web、analyze_results、write_report 節點，並使用條件邊緣控制研究循環。
來源：Dev.to
8. 2026 年 AI Agent 框架比較指南
AgDex.ai 整理了 177+ AI Agent 框架，並比較五大主流選項：LangChain（95k+ stars，最豐富生態系，適合 RAG 與複雜管線）、CrewAI（28k+ stars，直觀的多 Agent 角色模型）、AutoGen（40k+ stars，Microsoft 支援的對話式 Agent 迴圈，適合程式碼生成）、Dify（55k+ stars，開源 LLMOps 平台，拖曳式工作流）、n8n（52k+ stars，德國開發的 workflow 自動化工具，400+ 整合）。2026 年新興框架包括 LangGraph（LangChain 團隊的狀態化循環工作流）、Mastra（TypeScript 優先）、Smolagents（HuggingFace 極簡方案）、Google ADK（Gemini 優化）。選擇建議：RAG/文件問答選 LangChain，多 Agent 角色任務選 CrewAI，程式碼生成迴圈選 AutoGen。
來源：Dev.to
9. Paperclip：建構自動化 AI 企業的編排平台
Paperclip 是開源（MIT 授權）AI 編排平台，GitHub 已獲 36,000+ stars。平台提供集中式儀表板監控多部門或多公司的 Agent、任務與活動，整合 Claude Code、OpenClaw 等工具。核心功能包括：角色專屬 AI Agent（CEO、行銷人員、QA 工程師等）、技能市場（Agent 可獲取專業能力）、任務委派與專案管理、GitHub 整合、定期例行自動化（Heartbeat）。使用者可透過終端機或 VPS 部署，自訂 Agent 角色或匯入預建範本加速部署，並設定預算控制。Paperclip 適用於自動化特定功能（客戶支援、內容創作）或建構極少人工干預的 AI 驅動企業。
10. Solace Agent Mesh：事件驅動多 Agent 架構
Solace Agent Mesh（SAM）是開源框架，基於 Solace Platform 的事件訊息與 Google ADK 建構。支援多 Agent 透過事件網格（Event Mesh）通訊，實現真正的可擴展性與可靠性。架構包含 Orchestrator Agent（自動分解與委派複雜任務）、靈活介面（REST API、Web UI、Slack、Microsoft Teams）、Agent2Agent（A2A）協定，以及動態嵌入（Dynamic Embeds）。SAM 整合內建 SQL、JQ 與視覺化工具進行資料分析，並支援 MCP Server 整合。技術要求 Python 3.10.16–3.13.x，提供 sam init --gui 圖形化初始化與 sam add agent --gui 新增 Agent。
來源：PyPI
11. 從 Copilot 到 Colleague：Agent 時代的實際面貌
傳統 Copilot 模式（人類提示→AI 回應→人類決定下一步）在複雜工作流程中面臨瓶頸。Agentic 系統的轉變正在加速：Agent 被賦予目標與工具集，自行規劃、呼叫 API、檢查輸出、重試失敗。多 Agent 系統成為企業 AI 的架構趨勢，保險理賠案例展示七個專屬 Agent（Planner、Coverage、Fraud、Payout、Audit 等）協作，處理時間縮短 80%。軟體開發領域，Gartner 預測 2026 年底 40% 企業應用將具備任務專屬 AI Agent。挑戰包括：40% Agentic AI 專案因基礎設施不足而失敗、網路安全（35%）、資料隱私（30%）、法規明確性（21%）是部署障礙。MCP 與 A2A 協定正建立類似 HTTP 的 Agentic AI 標準。
來源：Dev.to
技術趨勢總結
本週 Agent 技術呈現三大趨勢：一是多 Agent 架構的實用化（Solace Agent Mesh、Routex、Paperclip），事件驅動與拓撲排程成為關鍵技術；二是安全與可驗證性受到重視（Bedrock 紅隊研究、MCP 收據機制、Claude Code 洩漏事件）；三是框架生態持續分化，LangGraph 確立生產級首選地位，同時輕量化（Smolagents）、TypeScript 優先（Mastra）與視覺化（Dify）方案滿足不同需求。企業部署 Agent 時需同時關注基礎設施成熟度、治理機制與錯誤處理策略。