前言
前面学习 Agent 时，我们已经知道，一个复杂任务可以拆给多个 Agent：
用户
↓
Manager Agent
↓
├── Weather Agent
├── Ticket Agent
└── Hotel Agent
但是这里会出现一个问题：
不同 Agent 之间应该如何发现彼此、了解彼此的能力，并进行任务协作？
如果每个 Agent 都自己设计一套通信方式：
Agent A → 自定义 API → Agent B
Agent A → 另一套 API → Agent C
Agent 数量增加后，系统会越来越难维护。
因此出现了：
A2A
即：
Agent2Agent Protocol（Agent-to-Agent Protocol）
它关注的是：
不同 AI Agent 之间如何以标准化方式发现能力、发送任务、跟踪任务状态并获取结果。
一、为什么需要 A2A？
假设我们开发一个 AI 旅行助手。
用户提出：
帮我查询明天西安到成都的车票，
再看看成都天气，
最后给我一个出行建议。
系统中存在：
Ticket Agent
→ 查询车票
Weather Agent
→ 查询天气
Travel Agent
→ 生成旅行建议
主 Agent 可以把任务分配出去：
Main Agent
│
┌────────┴────────┐
↓ ↓
Ticket Agent Weather Agent
↓ ↓
查询车票 查询天气
└────────┬────────┘
↓
Main Agent
↓
综合结果
A2A 解决的就是这种：
Agent ↔ Agent
之间的协作问题。
二、A2A 与前面技术的关系
前面已经学习：
LLM
RAG
Function Calling
MCP
Agent
现在可以进一步串起来。
LLM
↓
Agent
↓
├── RAG
├── Tool
└── MCP
这些主要解决：
一个 Agent 自己如何获取知识和使用外部能力。
而 A2A 更关注：
Agent A
↕
Agent B
↕
Agent C
也就是：
Agent 和 Agent 如何协作。
可以简单理解：
MCP
→ Agent 与 Tool / 外部能力
A2A
→ Agent 与 Agent
两者并不是替代关系，可以同时存在。
三、A2A 整体架构
一个简单的 A2A 架构：
用户
↓
Orchestrator Agent
↓
Agent Router
↓
┌──────────┬──────────┐
↓ ↓ ↓
Weather Ticket Hotel
Agent Agent Agent
↓ ↓ ↓
Tool Tool Tool
其中每个 Agent 都可以拥有自己的：
LLM
Prompt
Tools
RAG
MCP
业务逻辑
例如：
Weather Agent
↓
Weather MCP
↓
天气 API
而：
Main Agent
↓
A2A
↓
Weather Agent
负责的是 Agent 之间的协作。
四、A2A 中的核心概念
学习 A2A 时，需要重点理解：
AgentSkill
AgentCard
Task
TaskState
TaskStatus
Artifact
A2A Server
五、AgentSkill
AgentSkill 表示：
一个 Agent 具备什么能力。
例如 Weather Agent：
Agent：
Weather Agent
Skills：
- 查询实时天气
- 查询天气预报
Ticket Agent：
Agent：
Ticket Agent
Skills：
- 查询车票
- 查询车次
这样其他 Agent 才能够知道：
这个 Agent 能不能完成我的任务？
六、AgentCard
AgentCard 可以理解成：
Agent 的“能力名片”。
其中可以描述：
Agent 名称
Agent 描述
Agent 地址
支持的能力
Skills
通信能力
例如：
Weather Agent
描述：
负责查询天气信息
Skills：
get_weather
get_forecast
其他 Agent 可以通过 AgentCard 了解它提供什么服务。
流程：
发现 Agent
↓
读取 AgentCard
↓
查看 Skills
↓
判断是否符合任务
↓
发送任务
七、Task
Task 就是 Agent 之间传递的：
任务
例如：
Main Agent
↓
Task
↓
Weather Agent
Task 内容：
查询明天成都天气
Weather Agent 接收后执行任务，再把结果返回。
八、TaskState 与 TaskStatus
Agent 执行任务可能需要一定时间。
因此需要描述任务当前处于什么状态。
例如：
submitted
↓
working
↓
completed
也可能出现：
failed
TaskState 表示任务所处的状态。
而 TaskStatus 可以理解为：
任务当前状态
+
相关状态信息
例如：
Task
ID：10001
Status：
working
Message：
正在查询天气数据
这样调用方就可以知道任务执行到了哪里。
九、Artifact
Artifact 可以理解为：
Agent 完成任务后产生的结果或产物。
例如：
Task：
查询成都天气
↓
Artifact：
成都明天：
晴
18℃～27℃
Artifact 不一定只是文本，也可以表示任务生成的结构化结果或其他内容。
基本流程：
Task
↓
Agent 执行
↓
Artifact
↓
返回调用方
十、A2A Server
如果一个 Agent 希望向其他 Agent 提供能力，可以通过 A2A Server 对外暴露。
例如：
Weather Agent
↓
A2A Server
↓
AgentCard
Skills
Task
Artifact
其他 Agent：
Main Agent
↓
发现 Weather Agent
↓
读取 AgentCard
↓
发送 Task
↓
Weather Agent 执行
↓
返回 Artifact
十一、AgentNetwork 与 AgentRouter
当 Agent 数量越来越多时：
Weather Agent
Ticket Agent
Hotel Agent
Map Agent
Food Agent
就需要管理多个 Agent。
可以抽象出：
AgentNetwork
用于维护可以协作的 Agent。
同时可以通过：
AgentRouter
根据用户意图选择 Agent。
例如：
用户：
成都天气怎么样？
↓
Router
↓
Weather Agent
用户：
西安到成都有什么车次？
↓
Router
↓
Ticket Agent
如果是复杂任务：
帮我查询成都天气和车票
则可能同时调用：
Weather Agent
+
Ticket Agent
十二、A2A 的完整工作流程
把前面的概念串起来：
用户任务
↓
Main Agent
↓
Agent Router
↓
发现目标 Agent
↓
AgentCard
↓
查看 AgentSkill
↓
创建 Task
↓
发送给 A2A Server
↓
Agent 执行
↓
TaskStatus 更新
↓
生成 Artifact
↓
返回 Main Agent
↓
最终结果
核心思想其实并不复杂：
发现 Agent → 了解能力 → 分配任务 → 跟踪任务 → 获取结果。
十三、A2A 在真实业务中的应用
除了旅行助手，还可以应用于企业系统。
例如软件开发：
Manager Agent
├── Frontend Agent
├── Backend Agent
├── Database Agent
└── Test Agent
电力运维：
Operation Agent
├── Device Agent
├── Alarm Agent
├── Knowledge Agent
└── Analysis Agent
不同 Agent 专注自己的领域，再通过 A2A 进行协作。
十四、总结
A2A 的核心目标是：
让不同 AI Agent 能够以标准化方式发现能力、发送任务并进行协作。
几个重要概念：
| 概念 | 作用 |
|---|---|
| AgentSkill | 描述 Agent 能做什么 |
| AgentCard | Agent 的能力名片 |
| Task | Agent 之间的任务 |
| TaskState | 任务当前状态 |
| TaskStatus | 任务状态信息 |
| Artifact | Agent 产生的结果 |
| A2A Server | 对外提供 Agent 能力 |
最后可以简单记住：
MCP
→ Agent 调用工具
A2A
→ Agent 调用 / 协作 Agent
掌握基本概念以后，下一步就可以通过多个 Agent 实际实现一次 A2A 协作。
