TL;DR

Sprix SAGE Router는 A2A 생태계 위에서 에이전트가 혼자 계속 작업할지, 보완 협업자를 모집할지, 전문 에이전트에게 넘길지를 선택하는 Python library-SDK형 연구용 라우터입니다. Task DAG, 실행 진척도, 권한, 예산, 마감, capability, bid를 함께 평가해 역할과 통신 topology를 만들고, 실행 결과를 다시 contextual trust와 성공 예측 모델에 반영합니다. Python 3.10+와 표준 라이브러리만으로 demo·unit test·benchmark를 실행할 수 있지만 실제 A2A 전송 계층과 운영용 인증·모니터링은 구현되지 않았습니다. Synthetic benchmark에서는 Online SAGE가 Quality 0.634 ± 0.006과 Common utility 0.487 ± 0.006을 기록했으나, 프로젝트 자체가 이를 실제 환경의 우월성 근거가 아닌 초기 연구 결과로 규정합니다.

핵심 포인트

• 이 레포지토리는 Python 3.10+에서 실행하는 독립형 library-SDK 성격의 연구용 라우터이며, A2A 네트워크에서 동작할 에이전트 구성을 선택합니다. A2A의 Agent Cards와 실행 신호를 입력으로 받는 구조지만 현재 직접 task를 전송하는 A2A 클라이언트는 아닙니다. 런타임 의존성이 없어 알고리즘 실험과 프로토타입 통합을 빠르게 시작하기 좋습니다.
• SAGE는 실행 중인 에이전트의 진행 상태와 Task DAG를 읽고 SELF, COLLABORATE, HANDOFF를 하나의 utility 함수로 비교합니다. 권한·예산·마감·가용성 필터를 먼저 적용한 뒤 요구사항별 역할을 배정하고, COLLABORATE 후보는 beam search로 구성하며 독립 작업은 병렬화합니다. 실행 후 성공률·실제 비용·지연·요구사항별 점수를 다시 기록해 contextual trust와 bid fidelity를 온라인으로 갱신합니다.
• 에이전트의 capability, 비용, 지연, confidence와 실행 상태를 AgentCard·marketplace 신호에 매핑할 수 있어 A2A 기반 오케스트레이션 계층으로 확장하기 쉽습니다. `SAGERouter.route(task)`가 mode·assignments·topology를 반환하고 `record_outcome()`이 실행 결과를 학습 데이터로 반영하는 흐름입니다. 다만 실제 discovery·execution·streaming·cancellation 어댑터와 분산 서비스, 인증된 capability metadata는 아직 로드맵에 남아 있습니다.
• 내장 benchmark는 외부 simulator에서 2,500개 task를 다섯 개 deterministic seed로 평가하며 Online SAGE의 Quality는 0.634 ± 0.006, Common utility는 0.487 ± 0.006, Deadline miss는 0.2%입니다. 이는 Static SAGE보다 Quality와 utility가 높지만 Cost / budget이 0.434 ± 0.011로 더 크며, README도 synthetic 수치가 실제 우월성의 증거가 아니라고 명시합니다. 따라서 운영 시스템에 바로 채택하기보다 실제 trace, 보안·프라이버시 검증, learned-routing baseline을 추가할 연구 출발점으로 판단하는 편이 타당합니다.

벤치마크