A2A Protocol Agent-to-Agent协议详解

2025年3月的一个周二，Google放出了一条消息。

我坐在屏幕前，看着那行字发呆："A2A: An open protocol for agent interoperability."

突然明白了——MCP让AI能连外部世界，而A2A让AI们能互相说话。这就像是AI从"单机游戏"进化到了"联网对战"。

那一刻，我闻到了未来的味道。

📖 什么是 A2A？

A2A (Agent-to-Agent Protocol)，是Google在2025年3月推出的开放协议标准。

如果说MCP是AI连接外部工具的USB-C，那A2A就是AI之间互相通信的HTTP协议。它定义了一套标准，让不同的AI Agent能够：

✅ 发现彼此的能力
✅ 发起任务请求
✅ 协商任务参数
✅ 接收任务结果
✅ 处理长时间运行的异步任务

        🎯 一句话理解：A2A让AI们组成团队成为可能，就像人类同事之间可以通过Slack协作一样。
      

🌐 MCP 模型上下文协议

AI ←→ 外部工具/数据
由 Anthropic 主导
标准化工具调用
单向：AI调用服务

🔗 A2A Agent间协议

AI ←→ AI
由 Google 主导
标准化Agent通信
双向：Agent互相调用

⚙️ 工作原理

A2A基于HTTP/JSON，核心是几个关键概念：

核心概念

Agent Card：Agent的"名片"，描述自己的能力、端点、认证方式
Task：任务对象，包含请求、状态、结果
Artifact：任务产出的结果（文件、数据等）
Message：Agent之间的消息传递

通信流程

1️⃣ **发现阶段**
Agent A 请求 Agent B 的 Agent Card
  ↓
Agent B 返回：我能做什么、端点在哪、需要什么认证

2️⃣ **任务发起**
Agent A 发送 Task 请求给 Agent B
  ↓
{
  "taskId": "task-123",
  "message": {
    "role": "user",
    "parts": [{ "text": "分析这份销售数据" }]
  }
}

3️⃣ **任务执行**
Agent B 处理任务，可能：
  - 立即返回结果
  - 返回"处理中"状态（用于长时间任务）
  - 流式返回进度更新

4️⃣ **结果交付**
Agent B 返回 Artifact
  ↓
{
  "artifact": {
    "parts": [{ 
      "text": "分析完成，本月销售额增长15%..." 
    }]
  }
}
      

🔥 OpenClaw 实战应用

OpenClaw对A2A协议有实验性支持，你可以配置多个Agent通过A2A互相协作：

1. 配置 Agent Card

# ~/.openclaw/agents/writer/.well-known/agent.json
{
  "name": "ContentWriter",
  "description": "专业内容创作Agent，擅长技术博客和营销文案",
  "url": "https://writer.miaoquai.com/a2a",
  "version": "1.0.0",
  "capabilities": {
    "streaming": true,
    "pushNotifications": false
  },
  "skills": [
    {
      "id": "write_blog",
      "name": "撰写技术博客",
      "description": "根据主题撰写高质量技术博客文章",
      "parameters": {
        "topic": { "type": "string" },
        "wordCount": { "type": "number" }
      }
    }
  ]
}
      

2. 配置 OpenClaw Gateway 支持 A2A

# ~/.openclaw/config.yaml
gateway:
  enabled: true
  port: "3000"
  
  # 启用 A2A 端点
  a2a:
    enabled: true
    path: "/a2a"
    
    # 暴露哪些Agent可以通过A2A访问
    exposedAgents:
      - writer
      - researcher
      - reviewer
      
    # 允许哪些外部Agent调用
    allowedPeers:
      - "https://peer1.example.com/a2a"
      - "https://peer2.example.com/a2a"
      

3. 在 Skill 中调用其他 Agent

# ~/.openclaw/skills/content-pipeline/SKILL.md
---
name: content_pipeline
description: "内容生产流水线：研究→撰写→审核"

handler: |
  主题是：{{topic}}
  
  **阶段1：研究** (调用 researcher Agent)
  通过A2A发送任务给 researcher Agent:
  ```
  POST /a2a/tasks/send
  {
    "agentUrl": "https://research.miaoquai.com/a2a",
    "message": {
      "parts": [{"text": "研究主题：{{topic}}，提供关键信息和资料"}]
    }
  }
  ```
  
  **阶段2：撰写** (调用 writer Agent)
  将研究结果传递给 writer Agent:
  ```
  POST /a2a/tasks/send
  {
    "agentUrl": "https://writer.miaoquai.com/a2a",
    "message": {
      "parts": [
        {"text": "基于以下研究资料撰写博客:"},
        {"text": "{{research_result}}"}
      ]
    }
  }
  ```
  
  **阶段3：审核** (调用 reviewer Agent)
  让 reviewer Agent检查内容质量...
      

💡 完整示例：Multi-Agent 工作流

以下是一个完整的多Agent协作场景：

用户：帮我做一个关于"AI Agent趋势"的深度报告

🤖 Coordinator Agent (协调者)：

收到任务，开始分解。需要：研究、撰写、数据可视化。

📊 Researcher Agent (A2A调用)：

正在搜索最新AI Agent趋势数据... 完成，找到12篇关键报告。

✍️ Writer Agent (A2A调用)：

基于研究数据撰写报告正文... 完成，5000字深度分析。

📈 Data Analyst Agent (A2A调用)：

生成趋势图表... 完成，5张可视化图表。

✅ Coordinator Agent：

所有子任务完成，整合输出最终报告。

✅ 优缺点分析

✅ 优点	❌ 局限
Google背书，生态潜力大标准HTTP/JSON，易于实现支持异步长任务 Agent能力自动发现与MCP互补而非竞争	2025年刚推出，生态还在早期需要Agent之间互相知道端点安全认证机制较复杂相比MCP，工具支持较少

🎯 最佳实践

与MCP结合：MCP处理工具调用，A2A处理Agent协作，两者不冲突
Agent粒度：每个Agent职责要清晰，避免过度拆分导致通信 overhead
超时处理：网络调用可能失败，设置合理的超时和重试机制
版本管理：Agent Card要有版本号，避免接口变更导致兼容性问题
监控日志：A2A调用链路要可追踪，方便排查问题

📚 相关资源

🎬 写在最后

MCP连接世界，A2A连接Agent。2025年，这两个协议正在重新定义AI系统的架构方式。如果你正在构建Multi-Agent系统，现在就是入场的最佳时机——协议还在演进，但方向已经明确。