AI 運算基礎回顧：AgentFlow 多代理協作與多 GPU 訓練

AgentFlow：以訊息串接雲端與邊緣工作元件

AgentFlow 是核心團隊參與的雲端與邊緣多代理協作研究框架，原始碼已公開於 GitHub。既有實作運用 Python、Paho MQTT，以及執行緒與行程工作元件，處理訊息協作與工作生命週期。

DDS 納入通訊抽象與研究設計；本次回顧分別說明已核對的 MQTT 實作及 DDS 設計範圍，讓閱讀者能理解各通訊元件的實作層次。

2026-10-12 研究更新：MQTT 工作階段恢復與訊息暫存

核心團隊持續推進 AgentFlow 公開研究。新版在代理重啟並恢復 MQTT 持久工作階段時，針對處理器尚未就緒的既有排隊訊息加入暫存與背景重播，並設定容量上限、等待期限及佇列節流。這項改善聚焦啟動階段的訊息交接，讓代理協作的生命週期與異常處理更明確。

相關修正已合併至公開儲存庫主分支；截至本次整理，該合併版本的 Windows／Ubuntu、Python 3.11／3.13 測試，以及程式檢查、建置與安裝檢查，共六項 CI 檢查通過。公開測試涵蓋處理器註冊、暫存釋放、期限、容量及實際 MQTT 連線情境，呈現桔果以可重現驗證支援工程改善的能力。

本次為公開研究程式的進展，並非客戶系統上線或商業驗收。工作階段恢復仍需合適的代理識別與部署設定；暫存有容量與期限限制，不能據此宣稱所有情況皆不遺失訊息、端到端恰好處理一次，或實際客戶環境已獲驗證。

整合訓練程式與多 GPU 執行環境

多 GPU 訓練工作涵蓋 HPE DL380 伺服器、RTX A6000、PyTorch DistributedDataParallel（DDP）與 NCCL，將模型訓練流程接上分散式運算環境。HPE、NVIDIA 與 PyTorch 等名稱用於說明採用的硬體或技術工具。

桔果透過研究實作與環境部署，累積程序協作、運算資源配置及 AI 基礎設施整合能力。AgentFlow 聚焦代理工作協作，訓練環境則聚焦模型執行與資源配置，兩類成果共同支持 AI 系統的架構設計。