Skip to content

第 15 章:智能体间通信(A2A) ​

即便单体能力很强,单一智能体面对复杂、多面的任务时,往往仍会力不从心。智能体间通信(A2A)正是为了解决这一问题:它让可能基于不同框架构建的智能体也能协同工作,实现顺畅的协调、任务委派和信息交换。

Google 的 A2A 协议是促进这类通用互联的开放标准。本章将介绍 A2A 的核心思想、实际应用场景,以及它在 Google ADK 中的实现方式。

智能体间通信模式概览 ​

Agent2Agent(A2A)协议是一项开放标准,用于在不同智能体框架之间建立通信与协作。它强调互操作性,使基于 LangGraph、CrewAI 或 Google ADK 等技术构建的智能体,无论来自哪家、采用何种框架,都能协同工作。

A2A 已获得多家科技公司和服务商支持,包括 Atlassian、Box、LangChain、MongoDB、Salesforce、SAP 和 ServiceNow。微软计划将 A2A 纳入 Azure AI Foundry 与 Copilot Studio,也体现了其对开放协议的投入。Auth0、SAP 等厂商同样在把 A2A 能力接入各自的平台和智能体产品。

作为开源协议,A2A 欢迎社区参与共建,推动协议演进与更广泛采纳。

A2A 的核心概念 ​

A2A 协议建立在一组核心概念之上,为智能体交互提供结构化框架。在开发或集成符合 A2A 的系统之前,最好先把这些概念理解清楚。其核心包括:核心参与者、智能体卡片(Agent Card)、智能体发现、通信与任务、交互机制以及安全。下文将逐一说明。

核心参与者: A2A 体系中有三类主要角色:

  • 用户:发起需要智能体协助的请求。
  • A2A 客户端(Client Agent):代表用户发起操作请求或获取信息的应用或智能体。
  • A2A 服务端(Remote Agent):提供 HTTP 端点、负责处理客户端请求并返回结果的智能体或系统。远端智能体以黑盒方式对外提供服务,客户端无须了解其内部实现。

智能体卡片(Agent Card): Agent Card 定义了智能体的数字身份,通常是一个 JSON 文件。它汇总了客户端交互与自动发现所需的关键信息,包括身份、端点 URL、版本、支持的能力(如流式输出、推送通知)、具体技能、默认输入/输出模式以及认证要求。下面是 WeatherBot 的 Agent Card 示例。

json
{
    "name": "WeatherBot",
    "description": "Provides accurate weather forecasts and historical data.",
    "url": "http://weather-service.example.com/a2a",
    "version": "1.0.0",
    "capabilities": {
        "streaming": true,
        "pushNotifications": false,
        "stateTransitionHistory": true
    },
    "authentication": {
        "schemes": [
            "apiKey"
        ]
    },
    "defaultInputModes": [
        "text"
    ],
    "defaultOutputModes": [
        "text"
    ],
    "skills": [
        {
            "id": "get_current_weather",
            "name": "Get Current Weather",
            "description": "Retrieve real-time weather for any location.",
            "inputModes": [
                "text"
            ],
            "outputModes": [
                "text"
            ],
            "examples": [
                "What's the weather in Paris?",
                "Current conditions in Tokyo"
            ],
            "tags": [
                "weather",
                "current",
                "real-time"
            ]
        },
        {
            "id": "get_forecast",
            "name": "Get Forecast",
            "description": "Get 5-day weather predictions.",
            "inputModes": [
                "text"
            ],
            "outputModes": [
                "text"
            ],
            "examples": [
                "5-day forecast for New York",
                "Will it rain in London this weekend?"
            ],
            "tags": [
                "weather",
                "forecast",
                "prediction"
            ]
        }
    ]
}

智能体发现: 指客户端如何找到描述各个 A2A 服务端能力的 Agent Card。常见做法包括:

  • 知名 URI(Well-Known URI):将 Agent Card 放在约定路径(如 /.well-known/agent.json),便于公网或域内广泛、可自动化的发现。
  • 策展注册表(Curated Registries): 集中发布 Agent Card 并支持按条件检索,适合需要统一治理与访问控制的企业环境。
  • 直接配置(Direct Configuration): 将 Agent Card 内嵌或线下分发,适合紧耦合或私有部署、且不强调动态发现的场景。

无论采用哪种发现方式,都应保护好 Agent Card 端点,例如使用访问控制、双向 TLS(mTLS)或网络隔离。尤其当卡片中承载敏感但非密钥级元数据时,更应如此。

通信与任务: A2A 用异步任务来组织通信。任务是长时运行场景下的基本工作单元,拥有唯一标识,并会在「已提交 - 进行中 - 已完成」等状态之间流转,这使复杂流程中的并行推进更容易管理。智能体之间则通过 Message 交换信息。

消息包含属性(键值形式的元数据,如优先级、创建时间)以及一个或多个部分(parts),用于承载正文,例如纯文本、文件或结构化 JSON。任务执行过程中产生的可交付物称为工件(artifacts);它和消息一样,也由若干 part 组成,并且可以在结果陆续生成时以流式方式下发。A2A 在 HTTP(S) 上传输,载荷遵循 JSON-RPC 2.0。为了串联多轮交互,服务端会生成 contextId,把相关任务归为一组,以延续上下文。

交互机制: A2A 支持同步请求/响应、异步轮询、服务器发送事件(SSE)等多种交互方式,以匹配不同 AI 应用在时延和连接模型上的需求:

  • 同步请求/响应: 面向低时延、一次性拿全结果的场景;客户端发出请求并在同一次往返内等待服务端返回完整答复。
  • 异步轮询: 适合耗时任务;服务端先返回「进行中」与任务 ID,客户端可穿插其他工作并周期性拉取状态,直到标记为「完成」或「失败」。
  • 流式更新(SSE): 适合实时、增量呈现;建立服务端到客户端的长连接,远端智能体可持续推送状态或片段结果,免却高频轮询。
  • 推送通知(Webhooks): 适合超长或重负载任务;客户端预先登记 webhook,状态显著变化(如完结)时由服务端异步回调该 URL。

Agent Card 会声明该智能体是否支持流式或推送能力。A2A 本身与模态解耦,除了文本,也可以承载音频、视频等内容,从而支撑多模态应用;这些能力都会在卡片中显式列出。

json
# Synchronous Request Example 
{
    "jsonrpc": "2.0",
    "id": "1",
    "method": "sendTask",
    "params": {
        "id": "task-001",
        "sessionId": "session-001",
        "message": {
            "role": "user",
            "parts": [
                {
                    "type": "text",
                    "text": "What is the exchange rate from USD to EUR?"
                }
            ]
        },
        "acceptedOutputModes": [
            "text/plain"
        ],
        "historyLength": 5
    }
}

同步路径调用 sendTask,客户端期待一次拿到完整答案;流式路径使用 sendTaskSubscribe 建立长连接,使智能体可持续下发增量或分片结果。

json
# Streaming Request Example 
{
    "jsonrpc": "2.0",
    "id": "2",
    "method": "sendTaskSubscribe",
    "params": {
        "id": "task-002",
        "sessionId": "session-001",
        "message": {
            "role": "user",
            "parts": [
                {
                    "type": "text",
                    "text": "What's the exchange rate for JPY to GBP today?"
                }
            ]
        },
        "acceptedOutputModes": [
            "text/plain"
        ],
        "historyLength": 5
    }
}

安全: 智能体间通信(A2A)是系统架构中的关键一环。它既要保障智能体之间数据交换的安全与连贯,也依赖多种内置机制来维护系统的韧性与完整性。

双向传输层安全(mTLS): 通过加密与双向认证建立信道,降低未授权接入与窃听风险。

全面审计日志: 逐笔记录智能体间通信的信息流、参与方与动作,为问责、排障与安全分析提供依据。

Agent Card 声明: 认证方式会在 Agent Card 中明确声明;这一配置文件集中描述身份、能力与安全策略,便于统一治理认证。

凭据处理: 智能体通常经 HTTP 头传递 OAuth 2.0 令牌或 API 密钥等凭据,避免写入 URL 或消息体,降低泄露面。

A2A 与 MCP ​

A2A 与 Anthropic 的模型上下文协议(MCP)是互补关系(见图 1)。MCP 侧重为智能体组织上下文,并规范其与外部数据和工具的交互;A2A 则侧重智能体之间的协调与通信,支撑任务委派与协同。

A2A 与 MCP 协议对比

图 1:A2A 与 MCP 协议对比

A2A 的目标,是提升效率、降低集成成本,并在复杂多智能体系统的研发中推动创新与互操作。若要设计、实现并落地协作型、可互操作的智能体系统,深入理解其核心组件和运行机制是必不可少的。

实践应用与用例 ​

智能体间通信是跨领域构建高阶 AI 方案的关键支撑,它有助于提升系统的模块化程度、可扩展性以及整体智能水平。

  • 多框架协作: 最典型的场景,是让彼此独立、底层各异(如 ADK、LangChain、CrewAI)的智能体仍能互通协作。这是复杂多智能体系统的基础能力。
  • 自动化工作流编排: 在企业流程中,A2A 支撑跨智能体的任务委派与协同。例如「采集 → 分析 → 成稿」这样的流程,就可以由不同智能体接力完成,全程通过 A2A 协调。
  • 动态信息检索: 智能体可以互相请求、交换实时数据。比如主智能体可以向专门的「数据拉取智能体」索取行情,后者调用外部 API 后再把结果回传。

动手代码示例 ​

下面结合实例来看 A2A 如何落地。官方样例仓库 https://github.com/google-a2a/a2a-samples/tree/main/samples 提供了 Java、Go、Python 示例,演示 LangGraph、CrewAI、Azure AI Foundry、AG2 等框架如何通过 A2A 互通;许可证为 Apache 2.0。为了说明核心概念,下文摘录一个基于 ADK、并接入 Google 认证日历工具来搭建 A2A 服务端的示例代码,完整实现见 https://github.com/google-a2a/a2a-samples/blob/main/samples/python/agents/birthday_planner_adk/calendar_agent/adk_agent.py。

python
import datetime

from google.adk.agents import LlmAgent  # type: ignore[import-untyped]
from google.adk.tools.google_api_tool import CalendarToolset  # type: ignore[import-untyped]

async def create_agent(client_id: str, client_secret: str) -> LlmAgent:
    """Constructs the ADK agent."""
    toolset = CalendarToolset(client_id=client_id, client_secret=client_secret)
    return LlmAgent(
        model="gemini-2.0-flash-001",
        name="calendar_agent",
        description="An agent that can help manage a user's calendar",
        instruction=(
            f""" You are an agent that can help manage a user's calendar. Users will request information about the state of their calendar """
            f""" or to make changes to their calendar. Use the provided tools for interacting with the calendar API. """
            f""" If not specified, assume the calendar the user wants is the 'primary' calendar. """
            f""" When using the Calendar API tools, use well-formed RFC3339 timestamps. Today is {datetime.datetime.now()}. """
        ),
        tools=await toolset.get_tools(),
    )

这段 Python 代码通过异步函数 create_agent 构建 ADK LlmAgent:先用客户端凭据实例化 CalendarToolset,以访问 Google Calendar API;再创建 LlmAgent,指定 Gemini 模型、名称和日历管理指令,并挂载工具集,使其能够读写日历、回答状态查询或执行变更操作;指令中还注入了当前日期,作为时间锚点。接下来,再看同一 A2A 样例中 calendar_agent 的启动片段。

下列片段展示了如何通过技能描述和工具装配智能体。为便于阅读,这里只保留关键逻辑;完整实现见:https://github.com/a2aproject/a2a-samples/blob/main/samples/python/agents/birthday_planner_adk/calendar_agent/main.py。

python
def main(host: str = "0.0.0.0", port: int = 8000):
    # Verify an API key is set.
    # Not required if using Vertex AI APIs.
    if os.getenv("GOOGLE_GENAI_USE_VERTEXAI") != "TRUE" and not os.getenv("GOOGLE_API_KEY"):
        raise ValueError(
            "GOOGLE_API_KEY environment variable not set and "
            "GOOGLE_GENAI_USE_VERTEXAI is not TRUE."
        )

    skill = AgentSkill(
        id="check_availability",
        name="Check Availability",
        description="Checks a user's availability for a time using their Google Calendar",
        tags=["calendar"],
        examples=["Am I free from 10am to 11am tomorrow?"],
    )

    agent_card = AgentCard(
        name="Calendar Agent",
        description="An agent that can manage a user's calendar",
        url=f"http://{host}:{port}/",
        version="1.0.0",
        defaultInputModes=["text"],
        defaultOutputModes=["text"],
        capabilities=AgentCapabilities(streaming=True),
        skills=[skill],
    )

    adk_agent = asyncio.run(
        create_agent(
            client_id=os.getenv("GOOGLE_CLIENT_ID"),
            client_secret=os.getenv("GOOGLE_CLIENT_SECRET"),
        )
    )

    runner = Runner(
        app_name=agent_card.name,
        agent=adk_agent,
        artifact_service=InMemoryArtifactService(),
        session_service=InMemorySessionService(),
        memory_service=InMemoryMemoryService(),
    )
    agent_executor = ADKAgentExecutor(runner, agent_card)

    async def handle_auth(request: Request) -> PlainTextResponse:
        await agent_executor.on_auth_callback(
            str(request.query_params.get("state")),
            str(request.url),
        )
        return PlainTextResponse("Authentication successful.")

    request_handler = DefaultRequestHandler(
        agent_executor=agent_executor,
        task_store=InMemoryTaskStore(),
    )

    a2a_app = A2AStarletteApplication(
        agent_card=agent_card,
        http_handler=request_handler,
    )
    routes = a2a_app.routes()
    routes.append(
        Route(
            path="/authenticate",
            methods=["GET"],
            endpoint=handle_auth,
        )
    )
    app = Starlette(routes=routes)

    uvicorn.run(app, host=host, port=port)

if __name__ == "__main__":
    main()

这段 Python 演示了如何搭建一个符合 A2A 的「日历智能体」,并借助 Google 日历查询空闲时段。它会在启动前校验 API 密钥或 Vertex AI 配置;在 AgentCard 中声明能力、check_availability 技能以及对外 URL;随后实例化 ADK 智能体,并配置内存型工件、会话和记忆服务;最后组装 Starlette 路由(包括 OAuth 回调与 A2A 处理器),再由 Uvicorn 对外提供 HTTP 服务。

上述示例串起了「声明能力 → 挂载工具 → 以 Web 服务暴露」这一整条 A2A 智能体搭建路径。结合 Agent Card 与 ADK,开发者可以较快构建出能与 Google 日历等工具联动的可互操作智能体,也能更直观地看到 A2A 在多智能体生态中的价值。

若想进一步深入,也可以参考 https://www.trickle.so/blog/how-to-build-google-a2a-project 的图文与代码演练。文中附带 Python/JavaScript 客户端与服务端、多智能体 Web 演示、命令行工具以及多框架接入示例。

速览 ​

是什么: 单个智能体,尤其是来自不同框架时,往往难以独立处理复杂的跨域问题。根本原因在于缺少一套能够支持可靠协作的通用「语言」或协议。各自为战会阻碍多类专精智能体协同完成复杂任务;如果没有统一标准,异构系统集成不仅成本高、周期长,也会限制整体方案的能力上限。

为什么: A2A 通过开放、标准化的 HTTP 协议填补了这一空白,让异构智能体能够协调、委派任务并顺畅共享信息。Agent Card 充当数字名片,集中描述能力、技能和接入端点,支撑自动发现与对接。协议内建同步、异步、流式等交互模式,以覆盖不同场景;有了统一的协作界面后,复杂多智能体系统也更容易实现模块化和横向扩展。

经验法则: 当你需要编排两个及以上智能体,且它们的技术栈并不统一(如 Google ADK、LangGraph、CrewAI 等)时,应优先考虑 A2A。它同样适用于复杂的模块化应用:可以按子任务拆分专精智能体,例如分别负责分析和成稿。如果系统还需要在运行时动态发现并调用其他智能体能力来闭环完成任务,A2A 这类标准通常也是关键选择。

图示摘要:

A2A 智能体间通信模式

图 2:A2A 智能体间通信模式

要点 ​

本章要点:

  • Google A2A 是基于 HTTP 的开放标准,用于跨框架智能体之间的通信与协同。
  • Agent Card 是智能体的数字名片,供其他智能体自动发现并理解其能力与接入方式。
  • 协议同时支持同步请求-响应(tasks/send)与流式订阅(tasks/sendSubscribe),匹配不同时延与连接模型。
  • 协议内置多轮会话与 input-required 等状态,智能体可在交互中索取缺失信息并延续上下文。
  • 鼓励按能力拆分的模块化部署:专精智能体可分端口独立演进,利于伸缩与分布式拓扑。
  • Trickle AI 等工具可观测 A2A 流量,辅助排障与性能调优。
  • A2A 面向跨智能体的任务与工作流编排;MCP 则标准化 LLM 与外部工具、数据源的对接,二者分工互补。

结论 ​

智能体间通信(A2A)通过开放标准,打破了单个智能体彼此隔离的局面。在统一的 HTTP 语义之上,它让基于 Google ADK、LangGraph、CrewAI 等技术栈的智能体能够实现互认与互操作。Agent Card 以结构化方式描述身份、技能和端点,支撑运行时发现与按需组合。协议也支持同步、异步轮询、实时流式等多种模式,可覆盖从低时延问答到长时任务的广泛场景。

在此基础上,开发者可以通过专精智能体构建模块化、可横向扩展的自动化流程。安全层面,mTLS、显式认证和审计等机制为跨智能体通信提供了保障。与 MCP 等标准并列时,A2A 的独特价值在于面向「智能体对智能体」的高层编排与任务委派。产业界的持续投入和丰富的参考实现,也正在推动它成为分布式、协作式 AI 生态的重要基础设施之一。

参考资料 ​

  1. Chen, B.(2025 年 4 月 22 日)。《如何构建你的第一个 Google A2A 项目:分步教程》。Trickle.so 博客。
  2. Google A2A GitHub 仓库。
  3. Google 智能体开发套件(ADK)。
  4. 智能体间通信(A2A)协议入门。
  5. Google AgentDiscovery。
  6. LangGraph、CrewAI 和 Google ADK 等不同 AI 框架之间的通信。
  7. 使用 A2A 协议设计协作式多智能体系统。