A2A 協議是什麼、怎麼用:Agent2Agent 智能體互聯規範、名片發現與 Python 接入流程

A2A(Agent2Agent)是由 Google 發起並移交 Linux 基金會託管的開放智能體通信協議,用來讓不同團隊、不同框架開發的獨立智能體跨網絡互相派單協作。本文按官方規範講清 Agent Card、Task 狀態機與 Python SDK 接入步驟。

NNathaniel bigo··原創首發·AI 輔助撰寫
9 分鐘讀完
資料核對於 2026-11-18 · 依據官方文檔與公開資料整理 免費帳號 帳號

結論先說

  1. A2A(Agent2Agent)是解決「跨框架、跨系統、跨組織智能體互相溝通」的開放網絡協議,最初由 Google 聯合多家廠商發佈,現已交由 Linux 基金會開源治理(倉庫 a2aproject/A2A)。
  2. 它的設計前提是「把對方當成不透明的黑盒專家(Opaque Agent)」:調用方不需要知道對方內部用的是哪家大模型、寫了什麼系統提示詞、連了哪張私有數據庫表,只管按標準協議派發任務和拿結果。
  3. 整個協議靠四個核心概念轉起來:Agent Card(公開能力名片)、Task(帶狀態機的長短週期任務)、Message / Part(多模態消息分片)以及 Artifact(最終交付產物)。
  4. 底層完全複用成熟 Web 標準:直接跑在 HTTPS、JSON-RPC 2.0、gRPC 與 SSE 流式推送之上,配合標準的 OAuth 2.0 或令牌鑑權,不需要穿透特殊私有網關。

A2A 協議四大核心概念對照表

圖:本站根據 a2aproject/A2A 官方協議規範 整理的示意圖

本文根據 Linux 基金會旗下 a2aproject/A2A 官方協議文檔與 a2a-protocol.org 整理,核對日期 2026-11-18。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是相關基金會或 Google 官方網站。

適用於誰

  • 搜「a2a 協議 使用」「agent2agent 協議是什麼」的開發者與架構師;
  • 公司裏 A 部門用 Python + LangGraph 做了數據分析智能體,B 部門用 Java 或 .NET 做了工單審批智能體,想知道怎麼讓兩邊不用重寫就能標準互通的人;
  • 聽說過 MCP 和 A2A 兩個熱門縮寫,想先把 A2A 自身的運行流程和接入步驟摸清的同學。

一、看懂一張 agent-card.json 就懂了一半 A2A

如果兩個獨立運行的智能體素不相識,上游總管怎麼知道遠端那個服務到底會幹什麼、該怎麼傳參?A2A 借鑑了互聯網常見的標準發現約定:每個對外提供服務的智能體都在固定路徑 /.well-known/agent-card.json 下暴露一份公開的 JSON 名片。

一份精簡的 Agent Card 結構長這樣:

json
{
  "name": "InvoiceAuditAgent",
  "description": "負責核驗採購報銷單據合規性並生成差異說明",
  "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": "發票與合同金額比對",
      "description": "輸入發票編號與合同號,返回核驗結論與異常項列表",
      "tags": ["finance", "audit"]
    }
  ]
}

上游編排智能體先拉取這份名片,看到它支持 verify_invoice 技能且支持 streaming 流式推送,就能按名片聲明的安全方案帶上令牌向 url 發起任務。

二、為什麼不直接調普通 REST 接口,非要用 Task 狀態機?

普通業務接口大多是「毫秒級一問一答」;但智能體幹活往往有三個特殊痛點,A2A 的 Task 生命週期專門為此設計:

  1. 耗時長(幾秒到幾十分鐘):任務創建後進入 submitted → working,可通過 SSE 實時流式推送進度,或者掛後台回調通知;
  2. 做到一半發現資訊不夠(input-required):比如財務智能體查到一半發現缺一張附件,它會把任務狀態切為 input-required 發回追問,上游代理補發一條新 Message 後接着往下跑,不用從頭重來;
  3. 支持多模態混合交付:Message 裏的 Parts 和最終產出的 Artifacts 既能裝純文本,也能裝結構化 JSON 數據塊或文件引用,天然適配傳報表、傳代碼補丁的協作場景。

A2A 智能體發現與任務流轉四步

圖:本站根據 A2A Protocol 官方文檔 整理的示意圖

三、在 Python 項目裏怎麼快速用上 A2A

官方在 a2aproject 下維護了開箱即用的 Python SDK(a2a-sdk),不需要自己手拼底層 JSON-RPC 報文。接入通常分四步:

第一步:安裝官方 SDK

bash
pip install -U a2a-sdk uvicorn

第二步:把你現有的智能體包上一層執行器(服務端)

無論你內部是用 LangGraph、CrewAI 還是微軟新框架(見 /guides/autogen-status-microsoft-agent-framework-quickstart)寫的邏輯,只需實現 SDK 提供的 AgentExecutor 接口(在 execute 方法裏調用你自己的智能體並把結果寫入事件隊列),再搭配定義好的 AgentCard 掛到標準 ASGI 服務上啟動,服務就會自動暴露出 /.well-known/agent-card.json 和任務處理端點。

第三步:上游編排代理用客戶端發起調用

調用方智能體使用 A2AClient 指向目標地址,先解析遠端名片,隨後發送一條帶唯一任務 ID 的消息請求;如果遠端開啟了流式能力,客戶端直接異步遍歷流事件即可拿到中間狀態與最終 Artifact。

第四步:先小後大,別在單進程小項目裏過度設計

落地前一定要結合 /guides/multi-agent-what-is-when-to-use 與 /guides/multi-agent-orchestration-patterns 控制複雜度:如果你的兩個子代理本來就寫在同一個倉庫、跑在同一個 Python 進程裏,直接用框架自帶的內存級子代理調用最快最簡單;只有跨代碼倉庫、跨編程語言或跨部門權限邊界時,引入網絡級的 A2A 協議才真正划算。至於它和掛載本地工具的 MCP(見 /guides/mcp-model-context-protocol)如何配合,我們在下一篇詳細對比。

日常藉助大模型輔助閱讀英文協議規範或生成 AgentCard 校驗模型時,個人訂閱方案說明可參考 /chongzhi/chatgpt-plus。

常見問題

Q:使用 A2A 協議收費嗎?會不會綁定 Google Cloud?

完全免費,也不綁定任何特定雲廠商。A2A 是純開放通信規範(Apache 2.0 開源許可),你可以把它部署在自家內網機房、任意公有云或本機開發環境裏。

Q:兩個智能體通過 A2A 通信時,怎麼防止未授權調用或數據越權?

A2A 協議規範強制不在協議內部自造脆弱的私有加密,而是直接對齊企業標準 HTTP 安全層:在 Agent Card 的 securitySchemes 裏聲明要求的 OAuth 2.0、OpenID Connect 或 API Key 頭部,在網關與應用層按常規微服務標準做身份認證與細粒度權限攔截。

相關教學

參考資料

  • Agent2Agent (A2A) Protocol 官方網站與規範 — https://a2a-protocol.org/
  • a2aproject/A2A 官方 GitHub 倉庫 — https://github.com/a2aproject/A2A

Nathaniel 的更多內容

  1. 01

    LangGraph 流式輸出(Streaming)詳解:逐字 Token 流、節點進度與自定義事件寫法

    多步智能體如果等全部節點跑完才返回,網頁前端就會白屏乾等十幾秒。本文按 LangGraph 官方文檔講清 updates、messages、custom 與 values 四種 stream_mode 的區別,以及組合訂閱逐字打字機輸出加工具內部實時進度的完整代碼。

    其他 AI 工具0
  2. 02

    LangGraph 持久化與長期記憶怎麼配:Checkpointer、Store 與 PostgreSQL 實戰

    在生產環境跑 LangGraph,單靠 InMemorySaver 一重啟就會丟失全部對話。本文按官方文檔講清線程內短期檢查點(Checkpointer)與跨線程長期記憶(Store)的分工,以及用 langgraph-checkpoint-postgres 對接 PostgreSQL 的完整步驟。

    其他 AI 工具0
  3. 03

    LangGraph 多智能體怎麼寫:Supervisor 主管包與 Subgraph 隔離子圖實戰

    在 LangGraph 裏把單個圖擴展成多智能體協作有兩條官方路線:快速原型用預置包 langgraph-supervisor,大型生產系統用原生子圖(Subgraph)嵌套。本文講清兩種寫法的完整代碼、私有狀態隔離防 Token 膨脹技巧以及檢查點傳播規則。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入審批怎麼寫:interrupt 暫停圖運行與 Command 恢復實戰

    企業之所以選 LangGraph,很大程度看中它能安全掛起等待人工審批(Human-in-the-Loop)。本文按官方最新規範講清 interrupt() 動態暫停、Checkpointer 必備條件、Command(resume=...) 恢復執行,以及防止副作用重複運行的重入規則。

    其他 AI 工具0
  5. 05

    多 Agent 協作平台怎麼選:Dify、釦子(Coze)、n8n 與 LangGraph 多智能體機制對比

    搜「多agent協作平台」時,Dify、釦子、n8n 和 LangGraph 都宣稱支持多智能體,但底層的調度方式完全不同。本文跳過基礎安裝,專門從多 Agent 角色跳轉、子代理工具調用、上下文隔離與私有化部署四個維度幫你一次選準。

    其他 AI 工具0
  6. 06

    企業微信有官方 MCP 和 CLI 嗎:@wecom/cli 安裝初始化、長連接機器人與接入教學

    搜「企業 微信 有 mcp 嗎」不用再東拼西湊民間群機器人腳本了:企業微信官方已推出 @wecom/cli 命令行工具並內置 stdio 模式的 MCP Server。本文按官方開發者文檔講清安裝、智能機器人長連接初始化、業務命令與接入 Claude Code 步驟。

    Claude其他 AI 工具0

同產品的其他教學

  1. 01

    MCP 收費嗎:開源協議免費邊界、第三方 API 帳單與隱形 Token 開銷說明

    搜「mcp 收費 嗎」的人常擔心裝多了插件會被扣費。MCP(模型上下文協議)本身和官方 SDK 採用 MIT 協議完全免費;實際使用中可能產生費用的只有兩處:掛載過多工具佔用的大模型上下文 Token,以及部分外部商業數據源自帶的 API 套餐。

    Claude其他 AI 工具0
  2. 02

    MCP 協議最新版本更新了什麼:無狀態架構、OAuth 2.1、結構化輸出與異步 Tasks 詳解

    搜「mcp 重大 更新」「mcp 協議 更新」想補齊規範演進脈絡?本文對照 modelcontextprotocol.io 官方規範更新日誌,梳理從 Streamable HTTP 到無狀態優先架構、OAuth 2.1 資源伺服器、Elicitation 交互補參與異步 Tasks 擴展的核心變化。

    Claude其他 AI 工具0
  3. 03

    A2A 和 MCP 有什麼區別:工具連接協議與智能體通信協議的邊界和配合

    很多人問「有了 MCP 為什麼還要出 A2A,兩者是不是二選一的競爭關係」。兩份官方規範都明確寫明它們是上下互補關係:MCP 負責給單個智能體掛載工具與數據源,A2A 負責讓多個獨立黑盒智能體跨團隊、跨框架互相派單協作。

    Claude其他 AI 工具0
  4. 04

    AutoGen 現在怎麼樣了?微軟官方演進路線與 Microsoft Agent Framework 入門

    搜 AutoGen 新教學常被 0.2、0.4、社區分支和 Semantic Kernel 繞暈。按微軟官方文檔,微軟已將 AutoGen 與 Semantic Kernel 兩支團隊合併推出統一的開源框架 Microsoft Agent Framework。本文講清現狀與 Python 快速上手。

    ChatGPT其他 AI 工具0
  5. 05

    CrewAI 多輪對話與記憶怎麼配:memory=True 三層記憶、人工介入與 Flows 狀態持久化

    剛用上 CrewAI 的人常疑惑 kickoff 跑完就結束,怎麼做多輪連續對話與跨次記憶。本文按官方文檔拆解 memory=True 的短期/長期/實體三層記憶、嵌入模型配置,以及用 Flows 狀態流和 @persist 搭建多輪會話的實戰寫法。

    其他 AI 工具0
  6. 06

    CrewAI 入門教學:Agent 角色、Task 任務、執行流程(Process)與第一個團隊示例

    CrewAI 是主打「擬人化角色分工」的 Python 多智能體開源框架。本文按官方文檔講清安裝要求、Agent(角色/目標/背景)、Task(任務描述與預期輸出)和 Process(順序接力與經理層級模式)的配合邏輯,並給出最小可運行代碼。

    其他 AI 工具0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~