谷歌Agent2Agent协议：AI协作的新曙光

推荐语

谷歌Agent2Agent协议，开启AI智能体协作新纪元。

核心内容：
1. Agent2Agent协议定义及其在智能体协作中的重要性
2. A2A协议核心概念：Agent Card、A2A Server、A2A Client
3. A2A协议如何促进不同智能体间的无缝通信与协作

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

在我们的日常生活中，智能体的应用已经越来越广泛。比如，办公时，智能客服帮我们解答问题，智能日程管理工具帮我们安排会议；生活里，智能音箱帮我们播放音乐、查询天气，智能购物助手帮我们筛选商品。但你有没有发现，这些智能体往往各自为战，就像一个个孤立的 “信息孤岛”。

当我们需要完成一项稍微复杂的任务时，可能就会陷入困境。就好比你想策划一场旅行，智能旅游规划助手帮你制定了行程，智能酒店预订助手帮你找到了合适的酒店，可它们却无法自动协同工作，你还得手动将酒店信息填入行程，既麻烦又耗时。

这种智能体之间协作的困境，在企业级应用中同样突出。随着人工智能技术的飞速发展，越来越多的企业开始构建和部署自主 AI 智能体，用于处理从订购新设备到协助客服，再到参与供应链规划等各类任务。然而，这些智能体往往因为来自不同的开发框架和供应商，缺乏有效的通信和协作机制，无法形成一个高效的整体，大大限制了它们的应用潜力。

为了解决这一难题，谷歌在 Google Cloud Next 25 大会上宣布推出 Agent2Agent（A2A）智能体交互协议 ，这是一种开源协议，允许生态系统中的 AI 智能体进行底层技术无关的相互操作，旨在让不同框架和供应商的 AI 智能体之间实现无缝通信，为智能体提供了一个共同的 “语言”，使得它们可以相互展示能力并协商如何与用户交互。这一协议的推出，就像是在不同的智能体之间搭建了一座桥梁，让它们能够跨越 “信息孤岛”，实现高效协作，为人工智能的应用开辟了新的道路。

A2A 协议如何运作？

（一）核心概念解析

在深入了解 A2A 协议的运作机制之前，我们先来认识一下它的几个核心概念，这些概念就像是搭建 A2A 协议这座大厦的基石 。

• Agent Card（智能体卡片）：这是一个公共元数据文件，通常位于/.well-known/agent.json，它就像是智能体的 “数字名片”。上面详细记录了智能体的能力、技能、端点 URL 和认证要求等信息 。通过这张 “名片” ，客户端可以快速发现智能体，并了解它是否具备完成特定任务的能力。比如，一个智能体的卡片上标明它擅长数据分析，那么当客户端有数据分析任务时，就可以考虑选择这个智能体。
• 
  

• A2A Server：可以理解为一个暴露 HTTP 端点的智能体，它实现了 A2A 协议方法。它就像一个 “任务处理中心”，负责接收来自客户端的任务请求，并管理任务的执行过程 。当服务器接收到任务请求后，会根据任务的类型和自身的能力，安排相应的资源来处理任务。
• 
  

• A2A Client：它可以是一个应用程序，也可以是另一个智能体，主要负责消费 A2A 服务 。简单来说，就是客户端向 A2A Server 的 URL 发送请求，发起任务。比如，用户通过一个智能客服应用（A2A Client）向智能客服智能体（A2A Server）发送咨询问题的请求。
• 
  

• Task（任务）：这是智能体协作的基本单位，每个任务都有唯一的 ID 和明确的生命周期状态，如提交（Submitted）、进行中（Working）、需要输入（Needs Input）、完成（Completed）、失败（Failed）、取消（Canceled） 。任务的生命周期状态就像是一个任务进度条，让客户端和服务器都能清楚地了解任务的进展情况。比如，当一个任务处于 “进行中” 状态时，客户端就知道任务正在被处理，还需要等待一段时间才能得到结果。
• 
  

• Message（消息）：这是客户端（角色为 “用户”）和智能体（角色为 “代理”）之间的通信轮次，消息包含多个部分（Parts） 。消息就像是智能体之间传递信息的 “包裹”，里面装着各种重要的内容。
• 
  

• Part（部分）：它是消息或工件中的基本内容单元，可以是文本部分（TextPart）、文件部分（FilePart，包含内联字节或 URI）或数据部分（DataPart，用于结构化 JSON，如表单） 。不同类型的 Part 就像是 “包裹” 里的不同物品，根据任务的需求进行传递和处理。
• 
  

• Artifact（工件）：智能体在任务过程中生成的输出，例如生成的文件、最终结构化数据等，工件也包含多个部分 。可以把工件看作是任务完成后的 “成果”，是智能体根据任务要求生成的最终产物。
• 
  

• Streaming（流式传输）：对于长时间运行的任务，支持流媒体的服务器可以使用tasks/sendSubscribe。客户端接收服务器发送的事件（SSE），包含任务状态更新或工件更新事件，从而提供实时进度 。就好比看在线视频时的实时加载，客户端可以实时了解任务的进展，而不需要等到任务全部完成。
• 
  

• Push Notifications（推送通知）：支持推送通知的服务器可以主动将任务更新发送到客户端提供的 Webhook URL，该 URL 通过tasks/pushNotification/set配置 。这就像是手机收到的消息推送，当任务状态有更新时，服务器会主动通知客户端，让客户端及时了解任务的最新情况。

（二）工作流程详解

了解了 A2A 协议的核心概念后，我们来看一下它的工作流程，这就像是一场精心编排的舞蹈，每个智能体都在其中扮演着重要的角色，协同完成各种任务。

1. 发现（Discovery）：客户端从服务器的已知 URL 获取智能体卡，就像我们在人才市场寻找合适的人才，先查看他们的简历（智能体卡），了解他们的技能和能力 。例如，一个企业的智能采购系统（客户端）想要寻找一个能够处理供应商信息的智能体，它就会通过特定的 URL 获取各个智能体的智能体卡，筛选出具备相关能力的智能体。
2. 
   

1. 启动（Initiation）：客户端发送包含初始用户消息和唯一任务 ID 的tasks/send或tasks/sendSubscribe请求 。这一步就像是给选定的 “人才” 布置任务，告诉他们要做什么。比如，智能采购系统（客户端）向选定的智能体发送任务请求，要求它收集某类商品的供应商信息，并给出唯一的任务 ID，方便后续跟踪任务进度。
2. 
   

1. 处理（Processing）：这一步分为两种情况。如果是流媒体任务，服务器会随着任务的进展发送 SSE 事件，包含状态更新和工件更新，就像直播一场比赛，实时向观众传递比赛的进展和结果 ；如果是非流媒体任务，服务器会同步处理任务，并在响应中返回最终任务对象 。比如，智能体在收集供应商信息的过程中，如果支持流式传输，就会实时向智能采购系统汇报收集的进度和部分结果；如果不支持流式传输，就会在完成所有信息收集后，一次性将结果返回给智能采购系统。
2. 
   

1. 交互（Interaction，可选）：如果任务进入需要输入状态，客户端使用相同的任务 ID 通过tasks/send或tasks/sendSubscribe发送后续消息 。这就像是在任务执行过程中，如果遇到问题需要更多信息，“人才” 会向布置任务的人询问。例如，智能体在收集供应商信息时，发现某些信息缺失，就会向智能采购系统发送需要补充信息的请求，智能采购系统则通过相同的任务 ID 发送补充信息给智能体。
2. 
   

1. 完成（Completion）：任务最终达到终止状态，如已完成、失败或已取消 。这就像是一场比赛结束，有胜利、失败或中途取消等不同的结果。比如，智能体成功收集到所有供应商信息并返回给智能采购系统，任务就处于已完成状态；如果在收集过程中遇到不可解决的问题，任务就可能处于失败状态；如果智能采购系统在任务执行过程中决定不再需要这些信息，就可以取消任务。
2. 
   
3. 
   
4. 
5. 
   

A2A 协议的优势

（一）打破信息孤岛

在人工智能的发展进程中，不同框架和供应商开发的 AI 智能体，由于缺乏统一的通信标准，如同散落在不同岛屿上的居民，难以进行有效的交流与合作，这就形成了所谓的 “信息孤岛” 现象 。而 A2A 协议的出现，就像是搭建了一座连接各个岛屿的桥梁，打破了这种隔阂。它允许不同来源、不同技术的 AI 智能体相互沟通、安全地交换信息，并协同执行跨企业平台或应用的复杂任务 。

无论是在企业内部的不同业务系统，还是在不同企业之间的合作中，A2A 协议都能让 AI 智能体跨越平台的限制，实现无缝协作。例如，在一个大型企业中，客户关系管理系统（CRM）中的智能体和企业资源规划系统（ERP）中的智能体，原本可能因为系统的差异而无法直接协作，但通过 A2A 协议，它们可以轻松地共享信息，共同为企业的运营和发展提供支持。

（二）提升协作效率

A2A 协议使企业的 AI 智能体能够跨越整个应用系统协同工作，释放出前所未有的效率和创新潜力 。以一家电商企业为例，在订单处理流程中，负责订单接收的智能体可以通过 A2A 协议，将订单信息快速传递给负责库存管理的智能体，库存管理智能体在确认库存后，又能及时将结果反馈给负责物流配送的智能体，整个过程无需人工干预，大大提高了订单处理的速度和准确性 。

同时，由于各个智能体能够协同工作，避免了因系统间不兼容而导致的重复工作和资源浪费，使得企业的运营效率得到了显著提升。此外，A2A 协议还支持智能体之间的动态发现和即兴协作，能够更好地应对复杂多变的业务需求，为企业的创新发展提供了有力支持 。

（三）统一交互标准

A2A 协议提供了一套统一的 “协作语言” 和交互标准，定义了智能体之间相互发现、交流和合作的方式 。这就好比不同国家的人，虽然语言不同，但通过学习一门共同的语言，就能够顺畅地交流。A2A 协议为智能体提供了这样一种共同的 “语言”，使得不同的 AI 系统能够像人类团队一样协同工作 。

它规范了智能体在协作时的规则，如任务执行顺序、结果反馈等，让协作变得有条不紊 。例如，在一个智能项目管理系统中，不同的智能体负责项目的不同阶段，通过 A2A 协议的统一交互标准，它们能够清楚地了解自己的任务和职责，以及与其他智能体的协作方式，从而高效地完成项目的管理和推进 。

A2A 与 MCP 协议的关系

在人工智能的技术体系中，A2A 协议并不是孤立存在的，它与另一个重要的协议 —— 模型上下文协议（Model Context Protocol，MCP）之间存在着紧密而又微妙的关系 。这两种协议就像是人工智能发展道路上的两盏明灯，虽然各自照亮的方向有所不同，但却共同为人工智能的进步提供了强大的支持 。

MCP 协议由 Anthropic 开发，其核心功能是作为 AI 模型与外部工具、数据源和系统间的标准化接口 。简单来说，MCP 就像是一个万能的 “适配器”，它使得 AI 应用能够轻松连接到多种外部资源，而无需针对每一种资源单独开发定制化的集成方案 。

从技术架构的角度来看，MCP 将传统的 “M×N 问题”（即 M 个应用需要分别连接到 N 个不同工具），通过统一的 API 转化为了更易于管理的 “M+N 问题” 。在这种架构下，工具开发者只需要负责实现 MCP 服务器端，应用程序开发者则专注于构建 MCP 客户端，大大降低了系统集成的复杂度 。

例如，在一个智能数据分析项目中，数据分析智能体可以通过 MCP 协议，快速连接到各种数据源，如数据库、文件系统等，获取所需的数据进行分析 。

而 A2A 协议则专注于实现不同 AI 代理之间的标准化通信 。它为各类 AI 代理提供了标准化的机制，使它们能够跨越平台、供应商和框架的界限，发现彼此的功能、协商交互参数并安全地协同工作 。无论这些代理是由哪家机构开发，基于哪种基础模型构建，A2A 协议都能让它们像一个紧密协作的团队一样，共同完成复杂的任务 。

例如，在一个智能办公场景中，负责文档处理的智能体和负责日程安排的智能体，可以通过 A2A 协议进行通信和协作，当用户需要在特定时间前完成一份文档时，文档处理智能体可以与日程安排智能体协商，合理安排时间，确保任务按时完成 。

虽然 A2A 和 MCP 协议在功能上有所不同，但它们并不是相互竞争的关系，而是互补的 。MCP 实现了 AI 能力的垂直扩展，通过连接到专业工具和数据源，增强了单个 AI 的功能范围；而 A2A 则实现了能力的水平扩展，使多个专业 AI 能够协同处理超出单个 AI 处理能力的复杂问题 。

在实际应用中，两者常常结合使用，共同构建出更强大、更智能的人工智能系统 。例如，在一个智能企业资源规划（ERP）系统中，各个业务模块的智能体可以通过 A2A 协议进行协作，共同完成企业的业务流程 。同时，每个智能体又可以通过 MCP 协议，连接到各种外部工具和数据源，如财务软件、供应链数据库等，获取所需的信息和资源，为业务流程的顺利进行提供支持 。

通过一个具体的案例，我们能更直观地理解 A2A 与 MCP 协议的协同工作 。假设你是一家电商企业的运营人员，需要对近期的销售数据进行分析，并根据分析结果制定营销策略 。在这个过程中，你会用到多个智能体和工具 。首先，数据分析智能体通过 MCP 协议连接到企业的销售数据库，获取销售数据 。

然后，数据分析智能体利用自身的分析能力，对数据进行初步处理 。接着，数据分析智能体通过 A2A 协议与市场调研智能体进行通信，请求市场调研智能体提供市场趋势和竞争对手的信息 。市场调研智能体接到请求后，通过 MCP 协议连接到相关的市场数据平台，获取所需的信息，并将信息反馈给数据分析智能体 。

数据分析智能体综合销售数据和市场信息，进行深入分析，得出分析结果 。最后，数据分析智能体通过 A2A 协议将分析结果传递给营销策划智能体，营销策划智能体根据分析结果，制定出营销策略 。在这个案例中，MCP 协议负责智能体与外部工具和数据源的连接，为智能体提供数据和能力支持；A2A 协议则负责智能体之间的通信和协作，协调各个智能体的工作，共同完成复杂的任务 。

A2A 协议的应用现状与未来展望

当前发展情况

自推出以来，A2A 协议已经获得了 50 多家企业与组织的技术支持和贡献 ，这些企业和组织涵盖了金融、科技、咨询等多个领域，如 PayPal、SAP、ServiceNow、埃森哲、德勤、毕马威等知名企业 。这充分表明了 A2A 协议在行业内受到的广泛认可和关注 。

同时，A2A 协议的 GitHub 开源仓库上线一周即获得 2600 + 星标 ，开发者社区已贡献 12 种编程语言的 SDK 实现 。这一数据反映出开发者们对 A2A 协议的浓厚兴趣和积极参与，他们通过贡献代码和开发工具包，为 A2A 协议的发展和完善提供了强大的动力 。目前，A2A 协议已经在一些实际场景中得到了应用，如智能招聘流程、智能办公协作等 。

在智能招聘流程中，招聘经理可以通过 A2A 协议指示智能体寻找符合职位描述、地点和技能要求的候选人 。该智能体随后会与其他专门的智能体互动，搜寻潜在候选人 。用户收到建议后，可以指示智能体安排后续面试，简化整个候选人寻找过程 。面试结束后，还可以调用另一个智能体协助进行背景调查 。这一应用场景展示了 A2A 协议如何通过智能体之间的协作，提高招聘效率和质量 。

未来潜力

从未来发展来看，A2A 协议具有巨大的潜力 。随着人工智能技术在企业中的应用越来越广泛，A2A 协议有望成为企业实现智能化转型的重要工具 。预计到 2026 年，基于 A2A 的协作型 Agent 将覆盖 75% 的企业业务流程 ，催生超过 300 亿美元的 “智能体服务” 市场 。在企业业务流程中，A2A 协议可以实现各个环节的智能体之间的无缝协作，从而优化业务流程，提高企业的运营效率和竞争力 。

例如，在供应链管理中，负责采购的智能体可以与负责库存管理的智能体协作，根据库存水平和市场需求自动调整采购计划 ；负责物流配送的智能体可以与负责客户服务的智能体协作，及时向客户反馈货物运输状态 。此外，A2A 协议还有望催生 “智能体服务” 市场的发展 。在这个市场中，企业可以根据自身需求，选择合适的智能体服务进行集成和应用 。

这将促进智能体服务的专业化和标准化发展，为企业提供更加便捷、高效的智能化解决方案 。比如，一家小型企业可能需要一个智能客服智能体来处理客户咨询，但自己开发成本过高，就可以通过 “智能体服务” 市场购买相关的智能体服务 。A2A 协议还可能重塑 AI 时代的协作范式 。

它让智能体之间能够像人类团队一样协作，共同解决复杂问题，这将为人工智能的发展带来新的思路和方向 。未来，我们或许会看到更多基于 A2A 协议的创新应用和商业模式的出现，推动人工智能技术在各个领域的深入应用和发展 。