Google 一年前推出的 A2A 协议已发展到 1.0 版本，获得 150 多个组织支持并进入 Agentic AI 基金会。但同期 MCP 能力日益强大、Agent 运行时的编排能力提升、长时任务转向持久化工作流、共享状态协调等方式，都在减少 agent 之间需要独立寻址通信的场景。文章分析了四种架构趋势：agent 藏身于 MCP 能力之后、子代理成为运行时内部原语、单一协调代理面向多个 agent、软件工厂按工作任务组织 agent、以及传统工作流编排器从顶层协调 agent，认为显式 agent-to-agent 协议的需求可能并不常见。
文章探讨了构建软件工厂时最困难的问题之一：如何将人类语言描述的大型目标拆解为代理可执行的具体工作。作者梳理了五种逐步演进的方法：直接委派子代理（如 Claude Code、Codex）、可追踪任务系统（如 Gemini CLI、OpenAI Symphony）、工厂形态的工作结构（如 Warp）、结果关联的工作（如 Factory 的 Missions），以及动态工作图。作者指出，随着代理日益自主，系统本身需要围绕模型构建自己的智能来塑形、追踪和修正工作，这是软件工厂区别于普通代理框架的关键，也是当今 AI 领域最有趣创新的方向。
文章分析了当前兴起的"软件工厂"（Software Factory）产品的共同架构模式。作者指出，软件工厂并非能独立完成产品的巨型AI工程师，而是围绕AI工人构建的分布式系统，包含工作流、沙箱环境、权限、持久化状态、审查验证和人工检查点等。文章总结了六大架构模式：工厂拥有外层自动化循环；工人趋向短生命周期和隔离化；工作状态从Agent会话转移到外部持久化系统；厂商在集成式与开放式技术栈上分歧明显；验证成为工厂核心功能等。作者以Factory.ai、Warp和Vercel Foreman为例，探讨这一趋势对前沿AI实验室的战略意义。
