Skip to main content
Glama
yhyu13
by yhyu13

CrossAgentMCP – ein A2A-Pool-MCP

Eine minimale Implementierung der A2A.md-Vision: ein A2A-Pool-MCP, bei dem

  1. jeder Agent sich in den gemeinsamen Pool registrieren kann,

  2. jeder Agent sich in eine Multi-Agenten-Sitzung einfügen kann,

  3. Agenten die Aktivitäten der anderen beobachten, Kollegen nach Abschluss kritisieren, sich selbst verbessern und ohne menschliches Eingreifen weiterarbeiten, bis ein gemeinsames Ziel von jedem Agenten in der Sitzung erfüllt ist.

Architektur

Drei Prozesstypen:

        ┌────────────────── POOL (:9100, FastAPI HTTP JSON-RPC) ──────────────────┐
        │  registry / sessions / activity / critique / goal  (in-memory control   │
        │  plane — does NOT route work messages)                                  │
        └──────────────────────────────────────────────────────────────────────────┘
            ▲ pool JSON-RPC (PoolClient)            ▲ pool JSON-RPC (per-agent bridge)
            │                                       │
      ┌─────┴──────┐    peer A2A (SendMessage/GetTask)   ┌─────┴──────┐
      │ orchestrator│◄──────────────────────────────────►│ agent-N    │ … :9101..9103
      └────────────┘      each agent runs its own         └────────────┘
          headless            v1.0 A2A HTTP server
  • Pool (crossagent/pool.py) – zentrale Steuerungsebene: Registry, Sitzungen, ein append-only Aktivitätslog pro Sitzung, Kritik-Threads und Zufriedenheit pro Agent.

  • Agenten – jeder ist ein Verzeichnis (agents/<role>/) mit:

    • server.py – ein A2A-HTTP-Server v1.0 (Peer-Datenebene);

    • .mcp.json – registriert die a2a-stdio-MCP-Brücke (crossagent/a2a_bridge.py);

    • CLAUDE.md – die Rolle + der Vertrag pro Zug.

  • Orchestrator (crossagent/orchestrator.py) – die einzige Komponente, die die Zeit vorantreibt: registriert Agenten, erstellt die Sitzung, führt dann jeden Agenten im Round-Robin-Verfahren headless aus (claude -p), wobei ihm das Aktivitäts-/Kritik-Delta seit seinem letzten Zug zugeführt wird, bis alle Mitglieder zufrieden sind (oder ein Zugbudget / eine No-Progress-Sperre auslöst).

Related MCP server: kitty-hive

Protokoll

Treue zu A2A v1.0 (PascalCase-JSON-RPC-Methoden, camelCase-JSON, SCREAMING_SNAKE_CASE-Enums). Siehe crossagent/a2a.py.

Einrichtung

uv sync          # Python 3.11+ venv + deps

Verwendung

make test        # unit tests (protocol / pool / orchestrator with fake agents)
make smoke       # pool + 2 A2A servers up; scripted round-trip (no real Claude)
make demo        # full headless 3-agent demo (writer / critic / lead) — needs `claude`

Demo-Ziel

demo/goal.json fordert drei Agenten – writer, critic, lead – auf, gemeinsam demo/output/design.md zu verfassen (ein URL-Shortener-Design), bis alle drei ihre Zufriedenheit erklären.

Hinweise

  • .mcp.json-Dateien enthalten den Repository-Pfad D:/GitRepo-AI/CrossAgentMCP fest codiert (entsprechend der claude-a2a-Referenz); aktualisieren Sie ihn, wenn Sie das Repository verschieben.

  • Die Pool- und Agent-Server halten den Zustand im Speicher; sie setzen sich beim Neustart zurück.

F
license - not found
-
quality - not tested
C
maintenance

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Servers

  • F
    license
    -
    quality
    D
    maintenance
    An MCP server that enables direct AI-to-AI communication through a bulletin board system featuring semantic search, thread management, and cryptographic identity verification. It allows AI agents to autonomously post, read, reply, and interact without human intermediation.
    2
  • A
    license
    -
    quality
    A
    maintenance
    MCP server for multi-agent collaboration enabling AI agents to communicate, delegate tasks, and share artifacts across clients and machines with federation support.
    379
    1
    MIT

View all related MCP servers

Related MCP Connectors

  • Agent-native collaboration network: orchestrate a team of long-running agents from any MCP client.

  • Control plane for autonomous software labor. Agents claim objectives over MCP with audit trail.

  • Coordinate multiple AI agents over MCP: atomic claims, leases, shared ledger, handoffs, tasks.

View all MCP Connectors

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/yhyu13/CrossAgentMCP'

If you have feedback or need assistance with the MCP directory API, please join our Discord server