A2A Agent2Agent 协议

A2A Agent2Agent 协议官网

A2A Agent2Agent 协议是 Google Cloud 于 2025 年 4 月发布、随后捐赠给 Linux 基金会托管的一套智能体互操作开放标准，IBM 的 Agent Communication Protocol 也在不久后并入其中，使它逐渐成为跨框架 Agent 协作的事实规范。DeepLearning.AI 联合 Google Cloud 与 IBM Research 推出的同名短课，是目前系统学习这套协议最直接的入口，由 Holt Skinner、Ivan Nardini 与 Sandi Besen 三位讲师主讲。它针对的痛点很具体：企业内部往往同时存在用 Google ADK、LangGraph、BeeAI 等不同框架搭起来的智能体，过去要让它们互相调用只能写一堆定制胶水代码，换个框架就得重写。A2A 用统一的 Agent Card 发现机制、任务生命周期和消息格式解决了这件事，与负责连接外部数据和工具的 MCP 形成互补关系。

A2A Agent2Agent 协议官网页面

A2A Agent2Agent 协议的主要功能

1. Agent Card 能力发现：每个智能体以 JSON 文档形式暴露身份、技能列表、服务端点、输入输出模态与认证要求，通常托管在约定路径下，客户端读一次就知道该不该找它、怎么找它；
2. 客户端-服务端架构：明确区分发起请求的 Client Agent 与提供能力的 Remote Agent，远端智能体对调用方是黑盒，内部的记忆、工具与模型选择都不需要暴露；
3. 有状态的任务生命周期：Task 是带唯一 ID 和状态流转的工作单元，支持多轮交互与长时间运行，让”提交后等半小时再取结果”这类场景有了标准做法；
4. 模态无关的消息结构：Message 由若干 Part 组成，每个 Part 可以是纯文本、结构化 JSON、内联字节或外部文件 URL，并携带 MIME 类型，天然支持多模态交换；
5. Artifact 产出物机制：把智能体的最终交付物与过程消息区分开来，文档、图片、结构化数据都作为带 ID 的 Artifact 返回，可增量流式推送；
6. 三种交互模式：同步请求响应加轮询、基于 SSE 的流式增量返回、面向超长任务的 Webhook 推送通知，覆盖从秒级到小时级的不同时延需求；
7. 标准 Web 传输与安全模型：通信基于 HTTP(S)，载荷采用 JSON-RPC 2.0，认证方式在 Agent Card 中声明，凭据走 HTTP 头传递，可直接复用现有的企业鉴权体系；
8. 多语言 SDK 生态：官方及社区提供 Python、Go、JavaScript、Java、.NET 等多种语言实现，配套课程还演示了如何把 ADK、LangGraph、BeeAI 构建的智能体包装成合规服务。

如何使用A2A Agent2Agent 协议

推荐使用流程：

1. 先在课程页面报名并浏览课程大纲，全程十余节课配套多个可运行代码示例，建议连贯看完再动手；
2. 从架构课开始，弄清 Client 与 Remote Agent 的分工、Agent Card 的字段含义以及任务状态如何流转；
3. 安装对应语言的 SDK，Python 用户执行 pip install a2a-sdk，先跑通官方最小示例确认环境正常；
4. 动手定义第一份 Agent Card，写清 name、description、skills 与输入输出模态，启动服务后访问约定的发现路径确认能正确返回；
5. 把已有智能体包装成 A2A 服务端，再写一个客户端调用它，观察请求响应、SSE 流式和推送通知三种模式的差异；
6. 按课程节奏搭建多智能体协作：先做顺序编排让上游输出喂给下游，再做层级编排由主控智能体动态分派任务；
7. 把 MCP 一起接进来，让某个智能体通过 MCP 访问外部数据源，同时通过 A2A 对外提供能力，体会两套协议的分工；
8. 最后参照课程演示把服务部署到开源的 Agent 运行平台上，验证跨团队共享与调用是否顺畅。

A2A Agent2Agent 协议的使用场景

1. 多框架并存的技术团队：不同小组各自选了 ADK、LangGraph 或其他框架，需要一套不统一技术栈的互通方案；
2. 企业级智能体平台建设者：要做智能体注册中心、能力目录与统一鉴权，Agent Card 与认证声明正好是现成的元数据模型；
3. 跨组织的智能体协作：供应商与客户各自的智能体需要对接，又不愿意暴露内部实现细节，黑盒式远端调用契合这一诉求；
4. 长耗时任务的编排场景：研究报告生成、批量数据处理这类分钟级以上的任务，需要标准的状态查询与异步回调机制；
5. 架构师做协议选型：需要判断 A2A 与 MCP 各自的边界，避免把工具调用和智能体协作混在一层里做；
6. 技术学习与内训：想快速建立对智能体互操作标准的完整认知，短课的体量比啃规范文档友好得多。

A2A Agent2Agent 协议的价格与版本

A2A 协议本身是开放规范，由 Linux 基金会托管，规范文档、多语言 SDK 与参考实现全部开源免费，任何人和任何组织都可以实现和使用，不存在授权费用。DeepLearning.AI 的这门短课同样免费开放学习，只需注册一个平台账号即可观看全部课程视频并使用内置的在线代码环境，课程不设付费解锁章节，完成后可获得平台的学习记录。需要留意的隐性成本在实操环节：课程示例会调用商业大模型服务，比如通过 Vertex AI 使用 Claude 系列模型、用 Gemini 驱动研究智能体，这些 API 在自己的账号下运行会产生按量计费；课程内置的 Notebook 环境提供了配额可直接跑通，但把代码搬到本地或生产环境时，模型调用、云端部署与网络出口的费用需要自行承担。此外协议仍在演进，实现时应以官方规范文档的最新版本为准。

A2A Agent2Agent 协议的常见问题解答

A2A 和 MCP 是竞争关系吗？

不是，两者解决的是不同层面的问题。MCP 关注的是”智能体如何连接外部资源”，把数据库、文件系统、第三方 API 这类工具以标准方式暴露给模型；A2A 关注的是”智能体之间如何互相协作”，让一个智能体能发现另一个智能体的能力并委派任务给它。典型的生产架构是两者同时存在：某个智能体通过 MCP 拿到内部数据，处理完后通过 A2A 把结果交给下游智能体。课程里也专门演示了这种组合，用 LangGraph 智能体连 MCP 服务器，再用 A2A 客户端调用它。

已有的智能体要改造多少才能接入 A2A？

改造量通常比想象中小。A2A 的设计思路是在既有智能体外面包一层服务端适配，核心工作是三件事：写一份描述能力的 Agent Card、实现消息处理入口把请求映射到原有逻辑、按规范返回 Task 状态与 Artifact。智能体内部的框架、模型、提示词和记忆机制都不需要动，因为对调用方而言它就是黑盒。用官方 SDK 的话，一个基础服务端往往几十行代码就能跑起来，真正花时间的是想清楚技能粒度怎么划分、认证策略怎么定。

现在把 A2A 用到生产环境成熟吗？

要分场景看。协议核心概念已经稳定，有 Linux 基金会的中立治理和多家厂商参与，多语言 SDK 也基本齐备，做组织内部的智能体互通是可行的。但它毕竟是 2025 年才发布的年轻标准，规范仍在迭代，不同 SDK 的成熟度存在差异，跨组织调用涉及的鉴权、审计、计费、故障归因等配套能力还需要自建。稳妥的做法是先在内部低风险场景试点，把可观测性和权限边界做扎实，同时锁定 SDK 版本并跟进规范更新，再逐步扩大范围。

A2A Agent2Agent 协议官网网址

A2A Agent2Agent 协议 官方网址：https://www.deeplearning.ai/short-courses/a2a-the-agent2agent-protocol/

相关资源：协议官方文档 https://a2a-protocol.org/latest/，开源实现仓库 https://github.com/a2aproject/A2A

想把协议放回更大的技术图景里理解，可以对照 Berkeley LLM Agents 课程 中关于多智能体系统的讲次；需要补智能体开发的动手基础，Hugging Face Agents Course 更适合从零起步；对底层的工具调用机制不熟的话，先看 OpenAI Function Calling 官方指南 会顺很多。

OpenI AI时代点评

A2A 值得关注，但要摆正预期。它真正解决的是工程组织问题而不是智能能力问题——协议再标准，下游智能体做不好任务，编排得再优雅也没用。所以判断要不要投入的标准很清楚：如果你手上只有一两个智能体，或者全部用同一个框架搭建，那么引入 A2A 是纯增加复杂度，直接函数调用更省事；如果你所在的组织已经出现”三个团队三套框架、互相调用靠临时接口”的局面，那这套协议能省下的胶水代码和后续维护成本会相当可观。这门短课的价值在于把规范文档里那些抽象概念落到了可运行的代码上，Agent Card 长什么样、任务状态怎么流转，跑一遍比读十遍文档管用，而且它诚实地演示了跨框架场景，没有把内容做成单一厂商的推广。要留意的是协议仍在演进，课程里的 SDK 用法可能随版本变化，实践时务必对照官方文档。学完之后建议接着看 Anthropic 官方 Agent Skills 课程 了解另一条技术路线的思路，或者从 DeepLearning.AI 短课系列 里挑几门智能体主题的课横向对比，避免只听一家之言。