A2A 协议是什么、怎么用:Agent2Agent 智能体互联规范、名片发现与 Python 接入流程

A2A(Agent2Agent)是由 Google 发起并移交 Linux 基金会托管的开放智能体通信协议,用来让不同团队、不同框架开发的独立智能体跨网络互相派单协作。本文按官方规范讲清 Agent Card、Task 状态机与 Python SDK 接入步骤。

NNathaniel bigo··原创首发·AI 辅助撰写
9 分钟读完
资料核对于 2026-11-18 · 依据官方文档与公开资料整理 免费账号 账号

结论先说

  1. A2A(Agent2Agent)是解决「跨框架、跨系统、跨组织智能体互相沟通」的开放网络协议,最初由 Google 联合多家厂商发布,现已交由 Linux 基金会开源治理(仓库 a2aproject/A2A)。
  2. 它的设计前提是「把对方当成不透明的黑盒专家(Opaque Agent)」:调用方不需要知道对方内部用的是哪家大模型、写了什么系统提示词、连了哪张私有数据库表,只管按标准协议派发任务和拿结果。
  3. 整个协议靠四个核心概念转起来:Agent Card(公开能力名片)、Task(带状态机的长短周期任务)、Message / Part(多模态消息分片)以及 Artifact(最终交付产物)。
  4. 底层完全复用成熟 Web 标准:直接跑在 HTTPS、JSON-RPC 2.0、gRPC 与 SSE 流式推送之上,配合标准的 OAuth 2.0 或令牌鉴权,不需要穿透特殊私有网关。

A2A 协议四大核心概念对照表

图:本站根据 a2aproject/A2A 官方协议规范 整理的示意图

本文根据 Linux 基金会旗下 a2aproject/A2A 官方协议文档与 a2a-protocol.org 整理,核对日期 2026-11-18。配图为本站整理的示意图,不是界面截图。本站(bigolab.com)不是相关基金会或 Google 官方网站。

适用于谁

  • 搜「a2a 协议 使用」「agent2agent 协议是什么」的开发者与架构师;
  • 公司里 A 部门用 Python + LangGraph 做了数据分析智能体,B 部门用 Java 或 .NET 做了工单审批智能体,想知道怎么让两边不用重写就能标准互通的人;
  • 听说过 MCP 和 A2A 两个热门缩写,想先把 A2A 自身的运行流程和接入步骤摸清的同学。

一、看懂一张 agent-card.json 就懂了一半 A2A

如果两个独立运行的智能体素不相识,上游总管怎么知道远端那个服务到底会干什么、该怎么传参?A2A 借鉴了互联网常见的标准发现约定:每个对外提供服务的智能体都在固定路径 /.well-known/agent-card.json 下暴露一份公开的 JSON 名片。

一份精简的 Agent Card 结构长这样:

json
{
  "name": "InvoiceAuditAgent",
  "description": "负责核验采购报销单据合规性并生成差异说明",
  "url": "https://audit-agent.example.internal/a2a",
  "version": "1.0.0",
  "capabilities": {
    "streaming": true,
    "pushNotifications": false
  },
  "defaultInputModes": ["text/plain", "application/json"],
  "defaultOutputModes": ["text/plain", "application/json"],
  "skills": [
    {
      "id": "verify_invoice",
      "name": "发票与合同金额比对",
      "description": "输入发票编号与合同号,返回核验结论与异常项列表",
      "tags": ["finance", "audit"]
    }
  ]
}

上游编排智能体先拉取这份名片,看到它支持 verify_invoice 技能且支持 streaming 流式推送,就能按名片声明的安全方案带上令牌向 url 发起任务。

二、为什么不直接调普通 REST 接口,非要用 Task 状态机?

普通业务接口大多是「毫秒级一问一答」;但智能体干活往往有三个特殊痛点,A2A 的 Task 生命周期专门为此设计:

  1. 耗时长(几秒到几十分钟):任务创建后进入 submitted → working,可通过 SSE 实时流式推送进度,或者挂后台回调通知;
  2. 做到一半发现信息不够(input-required):比如财务智能体查到一半发现缺一张附件,它会把任务状态切为 input-required 发回追问,上游代理补发一条新 Message 后接着往下跑,不用从头重来;
  3. 支持多模态混合交付:Message 里的 Parts 和最终产出的 Artifacts 既能装纯文本,也能装结构化 JSON 数据块或文件引用,天然适配传报表、传代码补丁的协作场景。

A2A 智能体发现与任务流转四步

图:本站根据 A2A Protocol 官方文档 整理的示意图

三、在 Python 项目里怎么快速用上 A2A

官方在 a2aproject 下维护了开箱即用的 Python SDK(a2a-sdk),不需要自己手拼底层 JSON-RPC 报文。接入通常分四步:

第一步:安装官方 SDK

bash
pip install -U a2a-sdk uvicorn

第二步:把你现有的智能体包上一层执行器(服务端)

无论你内部是用 LangGraph、CrewAI 还是微软新框架(见 /guides/autogen-status-microsoft-agent-framework-quickstart)写的逻辑,只需实现 SDK 提供的 AgentExecutor 接口(在 execute 方法里调用你自己的智能体并把结果写入事件队列),再搭配定义好的 AgentCard 挂到标准 ASGI 服务上启动,服务就会自动暴露出 /.well-known/agent-card.json 和任务处理端点。

第三步:上游编排代理用客户端发起调用

调用方智能体使用 A2AClient 指向目标地址,先解析远端名片,随后发送一条带唯一任务 ID 的消息请求;如果远端开启了流式能力,客户端直接异步遍历流事件即可拿到中间状态与最终 Artifact。

第四步:先小后大,别在单进程小项目里过度设计

落地前一定要结合 /guides/multi-agent-what-is-when-to-use 与 /guides/multi-agent-orchestration-patterns 控制复杂度:如果你的两个子代理本来就写在同一个仓库、跑在同一个 Python 进程里,直接用框架自带的内存级子代理调用最快最简单;只有跨代码仓库、跨编程语言或跨部门权限边界时,引入网络级的 A2A 协议才真正划算。至于它和挂载本地工具的 MCP(见 /guides/mcp-model-context-protocol)如何配合,我们在下一篇详细对比。

日常借助大模型辅助阅读英文协议规范或生成 AgentCard 校验模型时,个人订阅方案说明可参考 /chongzhi/chatgpt-plus。

常见问题

Q:使用 A2A 协议收费吗?会不会绑定 Google Cloud?

完全免费,也不绑定任何特定云厂商。A2A 是纯开放通信规范(Apache 2.0 开源许可),你可以把它部署在自家内网机房、任意公有云或本机开发环境里。

Q:两个智能体通过 A2A 通信时,怎么防止未授权调用或数据越权?

A2A 协议规范强制不在协议内部自造脆弱的私有加密,而是直接对齐企业标准 HTTP 安全层:在 Agent Card 的 securitySchemes 里声明要求的 OAuth 2.0、OpenID Connect 或 API Key 头部,在网关与应用层按常规微服务标准做身份认证与细粒度权限拦截。

相关教程

参考资料

  • Agent2Agent (A2A) Protocol 官方网站与规范 — https://a2a-protocol.org/
  • a2aproject/A2A 官方 GitHub 仓库 — https://github.com/a2aproject/A2A

Nathaniel 的更多内容

  1. 01

    LangGraph 流式输出(Streaming)详解:逐字 Token 流、节点进度与自定义事件写法

    多步智能体如果等全部节点跑完才返回,网页前端就会白屏干等十几秒。本文按 LangGraph 官方文档讲清 updates、messages、custom 与 values 四种 stream_mode 的区别,以及组合订阅逐字打字机输出加工具内部实时进度的完整代码。

    其他 AI 工具0
  2. 02

    LangGraph 持久化与长期记忆怎么配:Checkpointer、Store 与 PostgreSQL 实战

    在生产环境跑 LangGraph,单靠 InMemorySaver 一重启就会丢失全部对话。本文按官方文档讲清线程内短期检查点(Checkpointer)与跨线程长期记忆(Store)的分工,以及用 langgraph-checkpoint-postgres 对接 PostgreSQL 的完整步骤。

    其他 AI 工具0
  3. 03

    LangGraph 多智能体怎么写:Supervisor 主管包与 Subgraph 隔离子图实战

    在 LangGraph 里把单个图扩展成多智能体协作有两条官方路线:快速原型用预置包 langgraph-supervisor,大型生产系统用原生子图(Subgraph)嵌套。本文讲清两种写法的完整代码、私有状态隔离防 Token 膨胀技巧以及检查点传播规则。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入审批怎么写:interrupt 暂停图运行与 Command 恢复实战

    企业之所以选 LangGraph,很大程度看中它能安全挂起等待人工审批(Human-in-the-Loop)。本文按官方最新规范讲清 interrupt() 动态暂停、Checkpointer 必备条件、Command(resume=...) 恢复执行,以及防止副作用重复运行的重入规则。

    其他 AI 工具0
  5. 05

    多 Agent 协作平台怎么选:Dify、扣子(Coze)、n8n 与 LangGraph 多智能体机制对比

    搜「多agent协作平台」时,Dify、扣子、n8n 和 LangGraph 都宣称支持多智能体,但底层的调度方式完全不同。本文跳过基础安装,专门从多 Agent 角色跳转、子代理工具调用、上下文隔离与私有化部署四个维度帮你一次选准。

    其他 AI 工具0
  6. 06

    企业微信有官方 MCP 和 CLI 吗:@wecom/cli 安装初始化、长连接机器人与接入教程

    搜「企业 微信 有 mcp 吗」不用再东拼西凑民间群机器人脚本了:企业微信官方已推出 @wecom/cli 命令行工具并内置 stdio 模式的 MCP Server。本文按官方开发者文档讲清安装、智能机器人长连接初始化、业务命令与接入 Claude Code 步骤。

    Claude其他 AI 工具0

同产品的其他教程

  1. 01

    MCP 收费吗:开源协议免费边界、第三方 API 账单与隐形 Token 开销说明

    搜「mcp 收费 吗」的人常担心装多了插件会被扣费。MCP(模型上下文协议)本身和官方 SDK 采用 MIT 协议完全免费;实际使用中可能产生费用的只有两处:挂载过多工具占用的大模型上下文 Token,以及部分外部商业数据源自带的 API 套餐。

    Claude其他 AI 工具0
  2. 02

    MCP 协议最新版本更新了什么:无状态架构、OAuth 2.1、结构化输出与异步 Tasks 详解

    搜「mcp 重大 更新」「mcp 协议 更新」想补齐规范演进脉络?本文对照 modelcontextprotocol.io 官方规范更新日志,梳理从 Streamable HTTP 到无状态优先架构、OAuth 2.1 资源服务器、Elicitation 交互补参与异步 Tasks 扩展的核心变化。

    Claude其他 AI 工具0
  3. 03

    A2A 和 MCP 有什么区别:工具连接协议与智能体通信协议的边界和配合

    很多人问「有了 MCP 为什么还要出 A2A,两者是不是二选一的竞争关系」。两份官方规范都明确写明它们是上下互补关系:MCP 负责给单个智能体挂载工具与数据源,A2A 负责让多个独立黑盒智能体跨团队、跨框架互相派单协作。

    Claude其他 AI 工具0
  4. 04

    AutoGen 现在怎么样了?微软官方演进路线与 Microsoft Agent Framework 入门

    搜 AutoGen 新教程常被 0.2、0.4、社区分支和 Semantic Kernel 绕晕。按微软官方文档,微软已将 AutoGen 与 Semantic Kernel 两支团队合并推出统一的开源框架 Microsoft Agent Framework。本文讲清现状与 Python 快速上手。

    ChatGPT其他 AI 工具0
  5. 05

    CrewAI 多轮对话与记忆怎么配:memory=True 三层记忆、人工介入与 Flows 状态持久化

    刚用上 CrewAI 的人常疑惑 kickoff 跑完就结束,怎么做多轮连续对话与跨次记忆。本文按官方文档拆解 memory=True 的短期/长期/实体三层记忆、嵌入模型配置,以及用 Flows 状态流和 @persist 搭建多轮会话的实战写法。

    其他 AI 工具0
  6. 06

    CrewAI 入门教程:Agent 角色、Task 任务、执行流程(Process)与第一个团队示例

    CrewAI 是主打「拟人化角色分工」的 Python 多智能体开源框架。本文按官方文档讲清安装要求、Agent(角色/目标/背景)、Task(任务描述与预期输出)和 Process(顺序接力与经理层级模式)的配合逻辑,并给出最小可运行代码。

    其他 AI 工具0

0 条评论

登录 后参与评论

还没有评论,来抢沙发~