最近朋友圈里聊AI Agent的人,十个里头有八个都在讨论同一个话题——智能体之间到底怎么协作。单机版的Agent大家已经玩得很溜了,让它调个工具、查个资料、写段代码,都不算新鲜事。真正让人头疼的是:如果A公司的客服Agent要调用B公司的订单Agent,或者你本地跑着一个擅长翻译的Agent,云端挂着一个擅长分析的Agent,它们俩怎么握手、怎么传话、怎么保证任务不丢?这就是A2A协议要解决的核心问题。A2A,全称Agent2Agent,是某搜索巨头在2025年发布的一套智能体间通信协议。它解决的场景非常明确:让不同厂商、不同技术栈、不同部署环境下的AI Agent,能够像人类同事一样互相“派活”、“接活”、“汇报进度”。这篇实战记录就是围绕这套协议展开的,我会从协议本身的设计思路讲起,再拆一个完整的双Agent协作案例,最后把调试中踩过的坑和排查思路一并打包放出来。适合正在做Agent编排、或者准备把多个独立Agent串成工作流的开发者参考,看完可以直接照着搭一套最小可运行的环境。1. A2A协议到底在解决什么问题1.1 从接口调用到Agent协作的跨越过去两年,大家习惯了通过API把Agent能力暴露出去。这种方式本质上还是传统的请求-响应模型:调用方发一个请求,服务方算完返回结果,整个过程是同步的、一次性的。但真实业务没有这么简单。我举个例子:你让一个旅行社Agent帮你规划行程,它不是查完一个数据库就能交差,它可能需要先确认机票、再协调酒店、甚至要等用户确认某个备选方案后才能继续。这种多轮、长耗时、状态不断变化的任务,用传统API来表达非常别扭。A2A把协作的基本单位从“接口”换成了“任务”。任务有明确的生命周期,从创建、运行、等待输入、到完成或失败,每一步的状态变化都可以被对方实时感知。这个设计更贴近人类团队的工作方式:你派一个活出去,不需要站在旁边等结果,你可以随时问一句“进展怎么样了”,对方也会在需要你拍板的时候主动找你。1.2 A2A的设计原则A2A协议在设计上坚持了几条很务实的底线。第一,它不关心Agent内部用什么模型、什么框架,只要你能暴露一个符合协议的HTTP端点就行,这保证了不同技术栈之间的互通。第二,它是基于JSON-RPC的,也就是说所有交互都是结构化的消息,方便程序处理,也方便调试。第三,它默认支持长任务,任务可以异步执行,双方通过推送或者轮询来同步状态,不像传统API那样必须等一个同步响应。第四,协议本身不定义传输层,你可以用HTTP、WebSocket,甚至未来用别的传输方式,协议语义是独立于传输的。这套设计思路说白了就是:平台中立、模型中立、传输中立。你不需要为了接入A2A而迁移你的Agent平台,只需要在你现有的Agent外层包一层符合协议的适配层。1.3 和MCP的分工:一个管工具,一个管Agent很多人第一次接触A2A时会把它和另一套协议搞混,就是MCP。我自己的理解是:MCP解决的是Agent“用手”的问题,它规范了Agent如何调用外部工具、如何获取数据资源;A2A解决的是Agent“和同事说话”的问题,它规范的是Agent之间如何传递任务、同步状态。它们不是竞争关系,而是不同层面的互补。一个Agent内部通过MCP去调工具,对外通过A2A去接其他Agent,这两层可以同时存在,互不干扰。搞清楚这个分工很重要,因为在实际落地时,很多人会纠结“我到底该用A2A还是该用MCP”。答案其实很简单:如果你要连的是一个工具、一个数据库、一个API服务,用MCP更合适;如果你要连的是另一个有自主决策能力的Agent,那才需要A2A。把这一层想明白,架构上就不会出大问题。2. A2A的协议骨架:四个关键机制2.1 Agent Card:先把自家能力“挂牌”亮出来两个Agent要协作,第一步是互相知道对方能干什么。A2A协议里对应这个需求的是一个叫Agent Card的JSON文件。简单说,这就是Agent的“自我介绍”和“服务目录”,通过一个固定的URL(通常是 /.well-known/agent.json)对外发布。Agent Card里包含几个核心字段:Agent的名字和描述、Agent的图标、需要哪种认证方式、暴露了哪些能力(skills)、以及每一项能力对应的接口方法。能力描述里还会列明输入参数是什么、输出结构是怎样的。这样一来,一个Agent拿到对方的Agent Card之后,不用翻文档、不用口头确认,就能知道对方能力边界在哪、该调哪个端点。我自己落地时的经验是,Agent Card的描述字段一定要写清楚,不要只写一句“提供数据分析能力”,要具体到“接收JSON格式的销售数据,返回按区域聚合的统计结果,支持按时间范围过滤”。因为Agent之间没有“默契”,它的判断完全依赖你的描述。描述写得越具体,协作时对方Agent就越容易做出正确的方法选择。2.2 任务的完整生命周期A2A协议把Agent之间的一次协作建模为一个任务(Task),任务从被创建到结束,会经历一系列状态。这几个状态是:请求创建(requested)、工作中(working)、等待输入(input-required)、完成(completed)、失败(failed)、已取消(canceled)。state是“故事线”,message是“对话内容”,progress更偏向“进度参考”。比如,一个任务处于working状态,客户端每隔几秒拉一次看看状态有没有变化,如果变成了completed,再去取最终结果,如果变成了input-required,说明服务端Agent遇到需要用户确认的决策点,需要客户端拿新的指令后继续跑。字段解释:requested:客户端发起了任务创建请求,服务端已经受理但还没开始干活working:服务端Agent正在执行中,此时可以附带进度信息(percentage)input-required:服务端Agent执行过程中,遇到了无法自行决策的点,等待客户端提供补充输入completed:任务正常结束,结果存放在任务的artifacts里failed:任务执行失败,错误信息会写在错误结构里canceled:客户端主动取消了任务理解任务生命周期是A2A开发里最重要的一步。我见过不少初接触协议的开发者,仍然习惯性用同步思维去处理所有任务,结果一到长耗时的场景就抓瞎。其实A2A的整个设计都在鼓励一件事:办一件大事的过程中,随时同步状态,别自己闷头跑完才说话。2.3 消息与推送:任务的状态怎么同步任务状态变化了,客户端怎么知道?A2A提供了两种途径:拉取(polling)和推送(push notification)。拉取模式就是客户端反复向服务端的 tasks/get 方法查询当前状态,实现最简单,适合低频、短任务。推送模式则是服务端在状态变化时主动向客户端注册的回调URL发送通知,实时性好,省去了无谓的轮询请求,适合处理那种跑起来要几分钟、甚至更长时间的任务。实际项目中,我的做法是:短任务直接轮询,长任务优先用推送,但推送通道断开的容错要提前设计好,至少要在没收到推送的情况下还能通过轮询兜底。我建议你把推送当做一个加速感知的手段,把拉取当做一个最终一致性的保障。2.4 上下文、构件与认证A2A协议里还有一组概念需要理解清楚。上下文(Context)是用来传递对话历史或背景信息的,当一个任务本身比较独立,不需要太多外部背景时,上下文可以简化;但如果Agent间的协作依赖之前多轮对话的结论,上下文就是必要的载体。实际实现时,注意不要把所有对话历史一股脑塞进上下文,那样既浪费Token又降低响应准确性,我习惯只传和当前任务相关的结论性信息。构件(Artifacts)是任务输出的产物,可以是一个文件、一段文本、一组数据。需要注意的是,一个任务可以产出多个构件,比如一个数据分析Agent,既输出汇总表格文件,又输出一段结论文字,这两个都属于artifacts。构件类型支持文件和字节流两种,前者适合图片、PDF这类,后者适合直接内嵌的JSON内容。认证问题就更实际了。A2A协议本身不强制认证方式,但Agent Card里会声明该服务期望的认证机制。目前最常用的是Bearer Token或者OAuth2。因为Agent是机器与机器之间的对话,认证信息通常由编排层统一注入,一般不会像人机交互那样走一个完整的浏览器授权流程。3. 实战案例:客服Agent和排程Agent的一次协作3.1 场景定义与技术选型动手之前,先把场景定清楚。我这里模拟了一个售后协作场景:一个客服Agent收到用户发来的“我要改明天的服务时间”的请求,它自己能把用户意图理解清楚,但具体改约动作得由另一个更专业的排程Agent来做。客服Agent负责接待、识别意图、组织语言;排程Agent负责查询可预约时间、锁定新时段、更新订单状态。整个过程要求客服Agent全程不用关心排程Agent内部是怎么查库、怎么调接口的,只需要通过A2A协议把任务发过去、等状态、取结果。技术选型上,我用了两个独立的Python服务,一个跑在8001端口模拟客服Agent,一个跑在8002端口模拟排程Agent。双方通过HTTP协议交互,不用WebSocket,保持最小依赖。我这里用一个简化的内存存储来模拟订单数据,你如果要在自己的项目里落地,把这层换成数据库操作就行。整体协作链路是:用户向客服Agent发起改约请求,客服Agent识别用户意图后,把“新的期望时间”和“订单ID”包装成一个任务,通过A2A协议的message/send方法发给排程Agent;排程Agent收到后先查询当前可预约的时段,如果新时间和已有安排冲突,就返回一个input-required状态,请客服Agent确认是否接受备选时段;协调完成后,排程Agent更新订单,任务进入completed状态,客服Agent拿到排程Agent返回的结果(比如确认后的新时间),组织成自然语言回复给用户。这个流程看起来不复杂,但它涵盖了一个完整A2A协作的核心环节:任务创建、异步执行、输入确认、结果返回。你把这个跑通了,再往里面叠加复杂业务逻辑就只是工作量问题,不是协议理解问题了。3.2 环境准备:把基础依赖装好开始写代码之前,先把Python环境和必要的依赖库装好。我这里用的是Python 3.10版本,依赖很少,核心就是一个HTTP框架外加一个HTTP客户端库。你可以用Flask或FastAPI搭服务端,用requests或httpx写调试用的客户端。我自己习惯用FastAPI加uvicorn跑服务,调试体验会比Flask好一些,因为FastAPI自动生成的接口文档在排查协议字段时很方便,可以直接在浏览器里试着发请求。安装依赖只需要一句命令:pip install fastapi uvicorn httpx跑起来之后,服务默认分别监听8001和8002端口。注意,这里我只是做一个本机联调,如果要把Agent部署到不同机器上,需要把对方Agent的端点地址换成公网可访问的URL,并且把认证信息加上,别裸奔在公网上。3.3 服务端实现:先把排程Agent的Agent Card写出来按A2A协议的约定,每个Agent都要在固定路径上暴露一个Agent Card。排程Agent负责提供服务,所以它既是服务端也是被调用方,它的Agent Card放在 http://127.0.0.1:8002/.well-known/agent.json 这个位置。Agent Card里我声明了这个Agent的名字、能力、技能描述、输入输出格式,以及认证方式。其中最重要的就是skills数组,它相当于告诉所有潜在的调用方:“我排程Agent能处理改约、能查可约时段”。协议里的skill描述我用的是自然语言+结构化字段混合的方式,自然语言部分方便对方Agent理解语义,结构化字段方便代码解析参数。下面是排程Agent的Agent Card内容:{ "name": "scheduler-agent", "description": "负责服务订单的排程管理,支持查询可预约时段、修改预约时间、更新订单状态。", "url": "http://127.0.0.1:8002", "version": "1.0.0", "authentication": { "schemes": ["none"] }, "skills": [ { "id": "reschedule_order", "name": "修改订单预约时间", "description": "接收指定的订单ID和用户期望的新时间范围,检查该时段是否可预约,若可预约则直接更新订单,若不可预约则返回备选时段供调用方确认。", "inputModes": ["application/json"], "outputModes": ["application/json"] } ] }Agent Card准备好之后,用FastAPI把它暴露出来,这一步很简单,一个GET请求返回上面的JSON即可。这样,任何其他Agent只要请求到这个文件,就知道排程Agent能干什么、该怎么调。我特别想把一个坑在这里说明白:Agent Card里的描述不是写给搜索引擎看的,是写给另一个Agent的“语义接口”看的,所以要用对方能理解的方式把业务约束说清楚,宁可啰嗦一点,也不要让对方产生错误预期。3.4 服务端实现:任务处理和状态流转的核心接下来是排程Agent最核心的接口实现。按照A2A协议,服务端只需要实现两个关键方法:messages/send用来接收新任务或者追加消息,tasks/get用来供客户端查询任务状态。先说messages/send。我在FastAPI里通过一个统一的入口接收JSON-RPC格式的请求,然后根据方法名分发到不同的处理函数。这个方法接收的请求体里会带上任务ID和消息内容,消息内容里包含了调用方传过来的输入参数。我需要从参数里把order_id和preferred_time提取出来。拿到参数后,要做几件事:首先检查订单是否存在,然后调用一个模拟的可用性检查函数,看看用户在期望时间有没有冲突。如果没冲突,直接创建任务并标记为completed,结果里带上新的预约时间;如果有冲突,任务状态就要改成input-required,同时在一个结构化格式里列出备选时段,等待调用方做决定。这个分支处理是A2A服务端实现中最需要用心的地方。input-required的处理,业界普遍习惯是用结构化数据(StructuredData)承载一个JSON格式的候选方案,这样调用方Agent不需要用一堆正则去解析自由文本,直接读结构化数据里的备选时间即可。下面是这个接口的核心实现逻辑:from fastapi import FastAPI, Request from uuid import uuid4 import datetime app = FastAPI(title="Scheduler Agent") # 内存模拟的订单数据 orders_db = { "1001": {"order_id": "1001", "scheduled_time": "2025-06-10 10:00", "status": "confirmed"} } # 简化版可用性判断:假设只有12:00之后的时段可用 def check_availability(preferred_time): preferred_hour = int(preferred_time.split(" ")[1].split(":")[0]) if preferred_hour < 12: return False, ["2025-06-10 14:00", "2025-06-10 16:00"] return True, [] @app.post("/messages/send") async def handle_send(request: Request): payload = await request.json() task_id = payload["params"]["taskId"] message = payload["params"]["message"] order_id = message["structuredData"]["data"]["order_id"] preferred_time = message["structuredData"]["data"]["preferred_time"] if order_id not in orders_db: return { "jsonrpc": "2.0", "id": payload["id"], "result": { "task": { "taskId": task_id, "status": { "state": "failed", "message": "订单不存在" } } } } available, alternatives = check_availability(preferred_time) if available: orders_db[order_id]["scheduled_time"] = preferred_time return { "jsonrpc": "2.0", "id": payload["id"], "result": { "task": { "taskId": task_id, "status": {"state": "completed"}, "artifacts": [{ "name": "reschedule_result", "mimeType": "application/json", "data": { "status": "confirmed", "new_time": preferred_time } }] } } } else: return { "jsonrpc": "2.0", "id": payload["id"], "result": { "task": { "taskId": task_id, "status": {"state": "input-required", "message": "期望时间不可用,请选择备选时段"}, "artifacts": [{ "name": "alternatives", "mimeType": "application/json", "data": {"slots": alternatives} }] } } }在实际项目里,任务状态不要一股脑全返回,state、message、artifacts已经足够携带大部分信息。你可能会在第一时间想通过HTTP状态码来表达业务错误,比如返回400、403,但我的建议是:A2A这种机器间协作的协议,业务状态尽量都放在task.status里表达,HTTP状态码只需要准确表达传输层和协议层的状态。否则两边对错误语义的理解很容易错位。3.5 客户端实现:客服Agent怎么把活派出去客服Agent在这次的协作里是发起方,也就是A2A的客户端。虽然它也是一个HTTP服务,但在这条协作链路上,它更像一个调度者。我需要实现的是:它接收用户的自然语言请求,把意图转成结构化的JSON参数,然后组装出一条A2A消息发给排程Agent,之后根据返回的任务状态去组织用户回复。这个过程中的一个关键点是:客服Agent不需要自己实现排程逻辑,它只需要负责“翻译”:把用户的话翻译成排程Agent能消化的结构化参数。我把这个翻译逻辑定义为一段简短的函数,方便后续替换成真正的模型调用。实际产品里,你肯定是用大模型来做意图识别和参数抽取的,这里我用规则实现只是为了让整个链路跑通,避免引入过重的依赖。import httpx SCHEDULER_AGENT_URL = "http://127.0.0.1:8002/messages/send" def extract_intent(user_input): # 模拟大模型意图抽取,实际项目中这里应该接入LLM调用 return { "order_id": "1001", "preferred_time": user_input.split("改到")[1].strip() } def ask_scheduler(payload): request_body = { "jsonrpc": "2.0", "id": "req-001", "method": "messages/send", "params": { "taskId": str(uuid4()), "message": { "role": "agent", "part": [{ "text": "用户请求修改订单预约时间", "structuredData": { "data": payload } }] } } } response = httpx.post(SCHEDULER_AGENT_URL, json=request_body) return response.json() def handle_user_request(user_input): intent = extract_intent(user_input) result = ask_scheduler(intent) task_status = result["result"]["task"]["status"] if task_status["state"] == "completed": new_time = result["result"]["task"]["artifacts"][0]["data"]["new_time"] return f"已为您成功改约,新的服务时间是 {new_time}。" elif task_status["state"] == "input-required": slots = result["result"]["task"]["artifacts"][0]["data"]["slots"] return f"您期望的时间约满了,备选时段有 {', '.join(slots)},您看换哪个合适?" elif task_status["state"] == "failed": return f"改约失败:{task_status['message']}"这段代码的运行逻辑很直观:handle_user_request拿到用户的原始输入,先用extract_intent提炼出订单号和期望时间,再通过ask_scheduler发出一段符合A2A协议的JSON-RPC请求。排程Agent那边返回的result里有完整的task对象,根据task.status.state来分支处理就好。这里有一个很实用的小提示:你不需要自己实现一套完整的A2A客户端SDK,直接通过httpx或requests发JSON-RPC请求,解析返回值即可。A2A的协议消息结构是公开的,接口路径也固定,对于大多数轻量级接入场景,手写一个薄客户端比引一个SDK更可控。真要说SDK的价值,更多是在多Agent编排这种复杂场景里帮你省掉大量样板代码。3.6 联调测试:把两个Agent串起来跑一遍两台服务都启动后,我用一个简短的测试脚本模拟用户发起的完整改约流程。流程分两个场景来测:第一个场景,用户想改到下午3点,排程Agent判断可预约,直接返回成功;第二个场景,用户想改到上午10点,排程Agent发现该时段不可用,于是返回备选时段,询问用户是否接受。这一步我在本地实测了一下,两个场景都能按预期状态流转。第一个场景里,客户端收到的task状态是completed,拿到的新时间是2025-06-10 15:00;第二个场景里,任务状态是input-required,备选时段数组里返回了下午2点和4点两个选项。这个结果证明,客户端和服务端之间的任务传递已经走通了。测试脚本核心逻辑如下,你也可以在本地快速复制运行:def run_demo(): # 场景1:期望时间可预约 print(handle_user_request("我要把订单改到明天下午3点")) # 场景2:期望时间不可预约,走人工确认 print(handle_user_request("我要把订单改到明天上午10点")) if __name__ == "__main__": run_demo()运行结果分别输出:“已为您成功改约,新的服务时间是 2025-06-10 15:00。”,以及“您期望的时间约满了,备选时段有 2025-06-10 14:00, 2025-06-10 16:00,您看换哪个合适?”。链路通了,语义也对,这就达到了最小可用标准。4. 踩坑记录与排查清单4.1 实战中碰到的四个典型问题任何协议在落地时都会暴露出一堆文档里没写透的细节问题,A2A也不例外。我把自己在联调中遇到的几个问题整理成了一个速查表,方便你直接对照排查。第一个是任务状态更新不及时的问题。我第一次跑长任务场景时发现,客户端通过tasks/get去查询状态,经常要等很久才能拉到working之后的新状态。排查下来发现是我的服务端把任务状态存在内存里,更新逻辑里少了一步持久化。后来我把任务状态先写入存储再返回响应,问题就消失了。这个小概率时序问题,在高并发场景下会被放得很大,建议你从第一天就按“先落库、后响应”的顺序来写。第二个是Agent Card的字段名搞混。这个很隐晦,因为协议里既有“skills”也有“capabilities”一类相似词,刚开始我把技能列表塞到了错误字段里,导致调用方Agent能访问到服务,但解析不到技能列表,一直返回“不支持的请求方法”。这个排查起来特别费劲,因为你肉眼能看到服务端是“有功能的”,但协议层面它就是找不到入口。解决方式很简单:严格对照A2A协议里Agent Card的JSON Schema检查字段名,一个字母都不能差,包括下划线。第三个是任务ID唯一性的问题。测试时图方便,我用固定字符串作为taskId,结果连续发起两次请求,第二次直接覆盖了第一次的任务状态。更诡异的是,某些实现里甚至有缓存逻辑,返回了旧任务的结果。A2A的taskId就像数据库主键,必须全局唯一,生产环境建议直接用UUID。第四个是备选时段的输出结构不规范,直接塞了一个自由文本格式,像“下午2点、4点有空”,对方Agent接收到后根本没法程序化处理。后来我改成了JSON数组格式,并明确写明每个时段的结构,问题就解决了。这就说明了一个核心问题:Agent之间没有“理解”这回事,结构化才是一切的基础。4.2 排查A2A接口的调试手段调试A2A接口时,我最常用的一个习惯是先看HTTP层,再看JSON-RPC层。很多问题其实出在最外层:URL拼错了、端口没开、TLS证书自签导致客户端拒绝连接,这些都会让调用方以为“对方Agent坏了”。用curl先打一发最简单直接的请求确认端点存活,能省掉很多无谓的排查步骤。第二个手段是用FastAPI自动生成的调试页面去手动发请求。路径是 http://127.0.0.1:8002/docs ,打开后能看到接口的请求格式说明,直接在页面里填一个JSON-RPC请求体就能模拟客户端调用,比反复写测试脚本快很多。第三个手段是在服务端加A2A层的日志,把每次收到的taskId、状态流转、错误信息打印出来。这个日志的价值不仅仅是排障,它还能帮你观察Agent协作的行为模式,比如哪个任务经常卡在input-required,哪个任务的payload特别大,这些都是后续做容量规划的重要参考。最后,我建议你在代码层面对输入做一次JSON Schema校验。协议本身是结构化的,但你不能假设所有调用方都严谨地按规范传参。校验的规则不用复杂,只需要确认关键字段存在、类型正确。这一条能拦掉绝大多数低级调用错误。5. A2A落地时你真正要关注的事5.1 安全边界:别让Agent裸奔协议层跑通只是开始,真正落到生产环境,安全边界是你绕不开的大问题。A2A协议目前把认证方式交给实现方自己定,Agent Card里会声明用哪种认证。机器对机器的认证,你千万不要天真地认为“反正是内部调用,不鉴权也没事”。Agent一旦暴露公网,很快就会变成各类扫描器和恶意请求的目标。我自己的实践是:Agent之间走mTLS或者短期Token注入,通过编排层统一管理认证密钥,每个Agent启动时从配置中心拿自己的身份凭据,调用其他Agent时在请求头带上认证信息。这样Agent自身代码里不硬编码任何密钥,换凭据的时候滚动更新就行。另外,无论内网外网,都建议在网关层做IP级别的访问控制,把A2A端点限制在可信来源网段内。5.2 该用A2A还是该用一份大Prompt这是一个我经常被问到的问题。有些场景你根本不需要引入A2A,比如你只是想让一个Agent完成一个独立任务,或者你只是想把两个能力拼成一个单Agent的多步调用。硬上A2A,不仅增加系统复杂度,多了一个网络往返、多了一层状态维护,还增加了故障点。我的判断标准是看两个维度:一是有没有独立生命周期,如果一个任务需要持续很长时间、有中间确认点,A2A的input-required机制会非常合适,这才是它的主场;二是双方有没有独立的演进节奏,如果两个Agent分别由不同团队维护、甚至不同公司部署,A2A这种松耦合协议的价值就体现出来了。反过来说,如果你的“Agent”只是同一个进程里的两个函数,把它们拆成两个服务去走A2A,那纯属给自己找麻烦。5.3 从一次改约任务看Agent协作的演进方向回到那个客服Agent和排程Agent协作的案例。这个简单流程的背后,其实体现了一个更重要的趋势:AI应用正在从“一个人干所有事”走向“一个团队各司其职”。A2A就是给这个团队提供的一套沟通语言。我个人在实际操作中的体会是,A2A协议把Agent协作的复杂性放到了协议层,反而简化了每个Agent自身的实现。你不需要在业务代码里去硬编码“对方的接口长什么样”,只需要理解协议的任务状态机,然后像对待一个靠谱同事一样去对接:把诉求讲清楚、把输入给到位、把反馈听明白。如果你接下来要做Agent协作相关的项目,我建议你先从这个最小案例改起:换个真实业务场景、把内存存储换成数据库、加上认证和日志。一步一步把协议吃透之后,再去研究多Agent动态编排这类进阶玩法。协议本身不复杂,复杂的是场景,但核心的路子,就是这篇文章里说的这些。最后再分享一个小心得:调试A2A一定不要把客户端和服务端同时扯进来一起改。先把服务端的Agent Card和messages/send调试到稳定,用curl或调试页把服务端的行为彻底钉死,再去写客户端逻辑。两边分开稳定下来再接合,遇到的问题会少一个数量级。
最近朋友圈里聊AI Agent的人,十个里头有八个都在讨论同一个话题——智能体之间到底怎么协作。单机版的Agent大家已经玩得很溜了,让它调个工具、查个资料、写段代码,都不算新鲜事。真正让人头疼的是:如果A公司的客服Agent要调用B公司的订单Agent,或者你本地跑着一个擅长翻译的Agent,云端挂着一个擅长分析的Agent,它们俩怎么握手、怎么传话、怎么保证任务不丢?这就是A2A协议要解决的核心问题。A2A,全称Agent2Agent,是某搜索巨头在2025年发布的一套智能体间通信协议。它解决的场景非常明确:让不同厂商、不同技术栈、不同部署环境下的AI Agent,能够像人类同事一样互相“派活”、“接活”、“汇报进度”。这篇实战记录就是围绕这套协议展开的,我会从协议本身的设计思路讲起,再拆一个完整的双Agent协作案例,最后把调试中踩过的坑和排查思路一并打包放出来。适合正在做Agent编排、或者准备把多个独立Agent串成工作流的开发者参考,看完可以直接照着搭一套最小可运行的环境。1. A2A协议到底在解决什么问题1.1 从接口调用到Agent协作的跨越过去两年,大家习惯了通过API把Agent能力暴露出去。这种方式本质上还是传统的请求-响应模型:调用方发一个请求,服务方算完返回结果,整个过程是同步的、一次性的。但真实业务没有这么简单。我举个例子:你让一个旅行社Agent帮你规划行程,它不是查完一个数据库就能交差,它可能需要先确认机票、再协调酒店、甚至要等用户确认某个备选方案后才能继续。这种多轮、长耗时、状态不断变化的任务,用传统API来表达非常别扭。A2A把协作的基本单位从“接口”换成了“任务”。任务有明确的生命周期,从创建、运行、等待输入、到完成或失败,每一步的状态变化都可以被对方实时感知。这个设计更贴近人类团队的工作方式:你派一个活出去,不需要站在旁边等结果,你可以随时问一句“进展怎么样了”,对方也会在需要你拍板的时候主动找你。1.2 A2A的设计原则A2A协议在设计上坚持了几条很务实的底线。第一,它不关心Agent内部用什么模型、什么框架,只要你能暴露一个符合协议的HTTP端点就行,这保证了不同技术栈之间的互通。第二,它是基于JSON-RPC的,也就是说所有交互都是结构化的消息,方便程序处理,也方便调试。第三,它默认支持长任务,任务可以异步执行,双方通过推送或者轮询来同步状态,不像传统API那样必须等一个同步响应。第四,协议本身不定义传输层,你可以用HTTP、WebSocket,甚至未来用别的传输方式,协议语义是独立于传输的。这套设计思路说白了就是:平台中立、模型中立、传输中立。你不需要为了接入A2A而迁移你的Agent平台,只需要在你现有的Agent外层包一层符合协议的适配层。1.3 和MCP的分工:一个管工具,一个管Agent很多人第一次接触A2A时会把它和另一套协议搞混,就是MCP。我自己的理解是:MCP解决的是Agent“用手”的问题,它规范了Agent如何调用外部工具、如何获取数据资源;A2A解决的是Agent“和同事说话”的问题,它规范的是Agent之间如何传递任务、同步状态。它们不是竞争关系,而是不同层面的互补。一个Agent内部通过MCP去调工具,对外通过A2A去接其他Agent,这两层可以同时存在,互不干扰。搞清楚这个分工很重要,因为在实际落地时,很多人会纠结“我到底该用A2A还是该用MCP”。答案其实很简单:如果你要连的是一个工具、一个数据库、一个API服务,用MCP更合适;如果你要连的是另一个有自主决策能力的Agent,那才需要A2A。把这一层想明白,架构上就不会出大问题。2. A2A的协议骨架:四个关键机制2.1 Agent Card:先把自家能力“挂牌”亮出来两个Agent要协作,第一步是互相知道对方能干什么。A2A协议里对应这个需求的是一个叫Agent Card的JSON文件。简单说,这就是Agent的“自我介绍”和“服务目录”,通过一个固定的URL(通常是 /.well-known/agent.json)对外发布。Agent Card里包含几个核心字段:Agent的名字和描述、Agent的图标、需要哪种认证方式、暴露了哪些能力(skills)、以及每一项能力对应的接口方法。能力描述里还会列明输入参数是什么、输出结构是怎样的。这样一来,一个Agent拿到对方的Agent Card之后,不用翻文档、不用口头确认,就能知道对方能力边界在哪、该调哪个端点。我自己落地时的经验是,Agent Card的描述字段一定要写清楚,不要只写一句“提供数据分析能力”,要具体到“接收JSON格式的销售数据,返回按区域聚合的统计结果,支持按时间范围过滤”。因为Agent之间没有“默契”,它的判断完全依赖你的描述。描述写得越具体,协作时对方Agent就越容易做出正确的方法选择。2.2 任务的完整生命周期A2A协议把Agent之间的一次协作建模为一个任务(Task),任务从被创建到结束,会经历一系列状态。这几个状态是:请求创建(requested)、工作中(working)、等待输入(input-required)、完成(completed)、失败(failed)、已取消(canceled)。state是“故事线”,message是“对话内容”,progress更偏向“进度参考”。比如,一个任务处于working状态,客户端每隔几秒拉一次看看状态有没有变化,如果变成了completed,再去取最终结果,如果变成了input-required,说明服务端Agent遇到需要用户确认的决策点,需要客户端拿新的指令后继续跑。字段解释:requested:客户端发起了任务创建请求,服务端已经受理但还没开始干活working:服务端Agent正在执行中,此时可以附带进度信息(percentage)input-required:服务端Agent执行过程中,遇到了无法自行决策的点,等待客户端提供补充输入completed:任务正常结束,结果存放在任务的artifacts里failed:任务执行失败,错误信息会写在错误结构里canceled:客户端主动取消了任务理解任务生命周期是A2A开发里最重要的一步。我见过不少初接触协议的开发者,仍然习惯性用同步思维去处理所有任务,结果一到长耗时的场景就抓瞎。其实A2A的整个设计都在鼓励一件事:办一件大事的过程中,随时同步状态,别自己闷头跑完才说话。2.3 消息与推送:任务的状态怎么同步任务状态变化了,客户端怎么知道?A2A提供了两种途径:拉取(polling)和推送(push notification)。拉取模式就是客户端反复向服务端的 tasks/get 方法查询当前状态,实现最简单,适合低频、短任务。推送模式则是服务端在状态变化时主动向客户端注册的回调URL发送通知,实时性好,省去了无谓的轮询请求,适合处理那种跑起来要几分钟、甚至更长时间的任务。实际项目中,我的做法是:短任务直接轮询,长任务优先用推送,但推送通道断开的容错要提前设计好,至少要在没收到推送的情况下还能通过轮询兜底。我建议你把推送当做一个加速感知的手段,把拉取当做一个最终一致性的保障。2.4 上下文、构件与认证A2A协议里还有一组概念需要理解清楚。上下文(Context)是用来传递对话历史或背景信息的,当一个任务本身比较独立,不需要太多外部背景时,上下文可以简化;但如果Agent间的协作依赖之前多轮对话的结论,上下文就是必要的载体。实际实现时,注意不要把所有对话历史一股脑塞进上下文,那样既浪费Token又降低响应准确性,我习惯只传和当前任务相关的结论性信息。构件(Artifacts)是任务输出的产物,可以是一个文件、一段文本、一组数据。需要注意的是,一个任务可以产出多个构件,比如一个数据分析Agent,既输出汇总表格文件,又输出一段结论文字,这两个都属于artifacts。构件类型支持文件和字节流两种,前者适合图片、PDF这类,后者适合直接内嵌的JSON内容。认证问题就更实际了。A2A协议本身不强制认证方式,但Agent Card里会声明该服务期望的认证机制。目前最常用的是Bearer Token或者OAuth2。因为Agent是机器与机器之间的对话,认证信息通常由编排层统一注入,一般不会像人机交互那样走一个完整的浏览器授权流程。3. 实战案例:客服Agent和排程Agent的一次协作3.1 场景定义与技术选型动手之前,先把场景定清楚。我这里模拟了一个售后协作场景:一个客服Agent收到用户发来的“我要改明天的服务时间”的请求,它自己能把用户意图理解清楚,但具体改约动作得由另一个更专业的排程Agent来做。客服Agent负责接待、识别意图、组织语言;排程Agent负责查询可预约时间、锁定新时段、更新订单状态。整个过程要求客服Agent全程不用关心排程Agent内部是怎么查库、怎么调接口的,只需要通过A2A协议把任务发过去、等状态、取结果。技术选型上,我用了两个独立的Python服务,一个跑在8001端口模拟客服Agent,一个跑在8002端口模拟排程Agent。双方通过HTTP协议交互,不用WebSocket,保持最小依赖。我这里用一个简化的内存存储来模拟订单数据,你如果要在自己的项目里落地,把这层换成数据库操作就行。整体协作链路是:用户向客服Agent发起改约请求,客服Agent识别用户意图后,把“新的期望时间”和“订单ID”包装成一个任务,通过A2A协议的message/send方法发给排程Agent;排程Agent收到后先查询当前可预约的时段,如果新时间和已有安排冲突,就返回一个input-required状态,请客服Agent确认是否接受备选时段;协调完成后,排程Agent更新订单,任务进入completed状态,客服Agent拿到排程Agent返回的结果(比如确认后的新时间),组织成自然语言回复给用户。这个流程看起来不复杂,但它涵盖了一个完整A2A协作的核心环节:任务创建、异步执行、输入确认、结果返回。你把这个跑通了,再往里面叠加复杂业务逻辑就只是工作量问题,不是协议理解问题了。3.2 环境准备:把基础依赖装好开始写代码之前,先把Python环境和必要的依赖库装好。我这里用的是Python 3.10版本,依赖很少,核心就是一个HTTP框架外加一个HTTP客户端库。你可以用Flask或FastAPI搭服务端,用requests或httpx写调试用的客户端。我自己习惯用FastAPI加uvicorn跑服务,调试体验会比Flask好一些,因为FastAPI自动生成的接口文档在排查协议字段时很方便,可以直接在浏览器里试着发请求。安装依赖只需要一句命令:pip install fastapi uvicorn httpx跑起来之后,服务默认分别监听8001和8002端口。注意,这里我只是做一个本机联调,如果要把Agent部署到不同机器上,需要把对方Agent的端点地址换成公网可访问的URL,并且把认证信息加上,别裸奔在公网上。3.3 服务端实现:先把排程Agent的Agent Card写出来按A2A协议的约定,每个Agent都要在固定路径上暴露一个Agent Card。排程Agent负责提供服务,所以它既是服务端也是被调用方,它的Agent Card放在 http://127.0.0.1:8002/.well-known/agent.json 这个位置。Agent Card里我声明了这个Agent的名字、能力、技能描述、输入输出格式,以及认证方式。其中最重要的就是skills数组,它相当于告诉所有潜在的调用方:“我排程Agent能处理改约、能查可约时段”。协议里的skill描述我用的是自然语言+结构化字段混合的方式,自然语言部分方便对方Agent理解语义,结构化字段方便代码解析参数。下面是排程Agent的Agent Card内容:{ "name": "scheduler-agent", "description": "负责服务订单的排程管理,支持查询可预约时段、修改预约时间、更新订单状态。", "url": "http://127.0.0.1:8002", "version": "1.0.0", "authentication": { "schemes": ["none"] }, "skills": [ { "id": "reschedule_order", "name": "修改订单预约时间", "description": "接收指定的订单ID和用户期望的新时间范围,检查该时段是否可预约,若可预约则直接更新订单,若不可预约则返回备选时段供调用方确认。", "inputModes": ["application/json"], "outputModes": ["application/json"] } ] }Agent Card准备好之后,用FastAPI把它暴露出来,这一步很简单,一个GET请求返回上面的JSON即可。这样,任何其他Agent只要请求到这个文件,就知道排程Agent能干什么、该怎么调。我特别想把一个坑在这里说明白:Agent Card里的描述不是写给搜索引擎看的,是写给另一个Agent的“语义接口”看的,所以要用对方能理解的方式把业务约束说清楚,宁可啰嗦一点,也不要让对方产生错误预期。3.4 服务端实现:任务处理和状态流转的核心接下来是排程Agent最核心的接口实现。按照A2A协议,服务端只需要实现两个关键方法:messages/send用来接收新任务或者追加消息,tasks/get用来供客户端查询任务状态。先说messages/send。我在FastAPI里通过一个统一的入口接收JSON-RPC格式的请求,然后根据方法名分发到不同的处理函数。这个方法接收的请求体里会带上任务ID和消息内容,消息内容里包含了调用方传过来的输入参数。我需要从参数里把order_id和preferred_time提取出来。拿到参数后,要做几件事:首先检查订单是否存在,然后调用一个模拟的可用性检查函数,看看用户在期望时间有没有冲突。如果没冲突,直接创建任务并标记为completed,结果里带上新的预约时间;如果有冲突,任务状态就要改成input-required,同时在一个结构化格式里列出备选时段,等待调用方做决定。这个分支处理是A2A服务端实现中最需要用心的地方。input-required的处理,业界普遍习惯是用结构化数据(StructuredData)承载一个JSON格式的候选方案,这样调用方Agent不需要用一堆正则去解析自由文本,直接读结构化数据里的备选时间即可。下面是这个接口的核心实现逻辑:from fastapi import FastAPI, Request from uuid import uuid4 import datetime app = FastAPI(title="Scheduler Agent") # 内存模拟的订单数据 orders_db = { "1001": {"order_id": "1001", "scheduled_time": "2025-06-10 10:00", "status": "confirmed"} } # 简化版可用性判断:假设只有12:00之后的时段可用 def check_availability(preferred_time): preferred_hour = int(preferred_time.split(" ")[1].split(":")[0]) if preferred_hour < 12: return False, ["2025-06-10 14:00", "2025-06-10 16:00"] return True, [] @app.post("/messages/send") async def handle_send(request: Request): payload = await request.json() task_id = payload["params"]["taskId"] message = payload["params"]["message"] order_id = message["structuredData"]["data"]["order_id"] preferred_time = message["structuredData"]["data"]["preferred_time"] if order_id not in orders_db: return { "jsonrpc": "2.0", "id": payload["id"], "result": { "task": { "taskId": task_id, "status": { "state": "failed", "message": "订单不存在" } } } } available, alternatives = check_availability(preferred_time) if available: orders_db[order_id]["scheduled_time"] = preferred_time return { "jsonrpc": "2.0", "id": payload["id"], "result": { "task": { "taskId": task_id, "status": {"state": "completed"}, "artifacts": [{ "name": "reschedule_result", "mimeType": "application/json", "data": { "status": "confirmed", "new_time": preferred_time } }] } } } else: return { "jsonrpc": "2.0", "id": payload["id"], "result": { "task": { "taskId": task_id, "status": {"state": "input-required", "message": "期望时间不可用,请选择备选时段"}, "artifacts": [{ "name": "alternatives", "mimeType": "application/json", "data": {"slots": alternatives} }] } } }在实际项目里,任务状态不要一股脑全返回,state、message、artifacts已经足够携带大部分信息。你可能会在第一时间想通过HTTP状态码来表达业务错误,比如返回400、403,但我的建议是:A2A这种机器间协作的协议,业务状态尽量都放在task.status里表达,HTTP状态码只需要准确表达传输层和协议层的状态。否则两边对错误语义的理解很容易错位。3.5 客户端实现:客服Agent怎么把活派出去客服Agent在这次的协作里是发起方,也就是A2A的客户端。虽然它也是一个HTTP服务,但在这条协作链路上,它更像一个调度者。我需要实现的是:它接收用户的自然语言请求,把意图转成结构化的JSON参数,然后组装出一条A2A消息发给排程Agent,之后根据返回的任务状态去组织用户回复。这个过程中的一个关键点是:客服Agent不需要自己实现排程逻辑,它只需要负责“翻译”:把用户的话翻译成排程Agent能消化的结构化参数。我把这个翻译逻辑定义为一段简短的函数,方便后续替换成真正的模型调用。实际产品里,你肯定是用大模型来做意图识别和参数抽取的,这里我用规则实现只是为了让整个链路跑通,避免引入过重的依赖。import httpx SCHEDULER_AGENT_URL = "http://127.0.0.1:8002/messages/send" def extract_intent(user_input): # 模拟大模型意图抽取,实际项目中这里应该接入LLM调用 return { "order_id": "1001", "preferred_time": user_input.split("改到")[1].strip() } def ask_scheduler(payload): request_body = { "jsonrpc": "2.0", "id": "req-001", "method": "messages/send", "params": { "taskId": str(uuid4()), "message": { "role": "agent", "part": [{ "text": "用户请求修改订单预约时间", "structuredData": { "data": payload } }] } } } response = httpx.post(SCHEDULER_AGENT_URL, json=request_body) return response.json() def handle_user_request(user_input): intent = extract_intent(user_input) result = ask_scheduler(intent) task_status = result["result"]["task"]["status"] if task_status["state"] == "completed": new_time = result["result"]["task"]["artifacts"][0]["data"]["new_time"] return f"已为您成功改约,新的服务时间是 {new_time}。" elif task_status["state"] == "input-required": slots = result["result"]["task"]["artifacts"][0]["data"]["slots"] return f"您期望的时间约满了,备选时段有 {', '.join(slots)},您看换哪个合适?" elif task_status["state"] == "failed": return f"改约失败:{task_status['message']}"这段代码的运行逻辑很直观:handle_user_request拿到用户的原始输入,先用extract_intent提炼出订单号和期望时间,再通过ask_scheduler发出一段符合A2A协议的JSON-RPC请求。排程Agent那边返回的result里有完整的task对象,根据task.status.state来分支处理就好。这里有一个很实用的小提示:你不需要自己实现一套完整的A2A客户端SDK,直接通过httpx或requests发JSON-RPC请求,解析返回值即可。A2A的协议消息结构是公开的,接口路径也固定,对于大多数轻量级接入场景,手写一个薄客户端比引一个SDK更可控。真要说SDK的价值,更多是在多Agent编排这种复杂场景里帮你省掉大量样板代码。3.6 联调测试:把两个Agent串起来跑一遍两台服务都启动后,我用一个简短的测试脚本模拟用户发起的完整改约流程。流程分两个场景来测:第一个场景,用户想改到下午3点,排程Agent判断可预约,直接返回成功;第二个场景,用户想改到上午10点,排程Agent发现该时段不可用,于是返回备选时段,询问用户是否接受。这一步我在本地实测了一下,两个场景都能按预期状态流转。第一个场景里,客户端收到的task状态是completed,拿到的新时间是2025-06-10 15:00;第二个场景里,任务状态是input-required,备选时段数组里返回了下午2点和4点两个选项。这个结果证明,客户端和服务端之间的任务传递已经走通了。测试脚本核心逻辑如下,你也可以在本地快速复制运行:def run_demo(): # 场景1:期望时间可预约 print(handle_user_request("我要把订单改到明天下午3点")) # 场景2:期望时间不可预约,走人工确认 print(handle_user_request("我要把订单改到明天上午10点")) if __name__ == "__main__": run_demo()运行结果分别输出:“已为您成功改约,新的服务时间是 2025-06-10 15:00。”,以及“您期望的时间约满了,备选时段有 2025-06-10 14:00, 2025-06-10 16:00,您看换哪个合适?”。链路通了,语义也对,这就达到了最小可用标准。4. 踩坑记录与排查清单4.1 实战中碰到的四个典型问题任何协议在落地时都会暴露出一堆文档里没写透的细节问题,A2A也不例外。我把自己在联调中遇到的几个问题整理成了一个速查表,方便你直接对照排查。第一个是任务状态更新不及时的问题。我第一次跑长任务场景时发现,客户端通过tasks/get去查询状态,经常要等很久才能拉到working之后的新状态。排查下来发现是我的服务端把任务状态存在内存里,更新逻辑里少了一步持久化。后来我把任务状态先写入存储再返回响应,问题就消失了。这个小概率时序问题,在高并发场景下会被放得很大,建议你从第一天就按“先落库、后响应”的顺序来写。第二个是Agent Card的字段名搞混。这个很隐晦,因为协议里既有“skills”也有“capabilities”一类相似词,刚开始我把技能列表塞到了错误字段里,导致调用方Agent能访问到服务,但解析不到技能列表,一直返回“不支持的请求方法”。这个排查起来特别费劲,因为你肉眼能看到服务端是“有功能的”,但协议层面它就是找不到入口。解决方式很简单:严格对照A2A协议里Agent Card的JSON Schema检查字段名,一个字母都不能差,包括下划线。第三个是任务ID唯一性的问题。测试时图方便,我用固定字符串作为taskId,结果连续发起两次请求,第二次直接覆盖了第一次的任务状态。更诡异的是,某些实现里甚至有缓存逻辑,返回了旧任务的结果。A2A的taskId就像数据库主键,必须全局唯一,生产环境建议直接用UUID。第四个是备选时段的输出结构不规范,直接塞了一个自由文本格式,像“下午2点、4点有空”,对方Agent接收到后根本没法程序化处理。后来我改成了JSON数组格式,并明确写明每个时段的结构,问题就解决了。这就说明了一个核心问题:Agent之间没有“理解”这回事,结构化才是一切的基础。4.2 排查A2A接口的调试手段调试A2A接口时,我最常用的一个习惯是先看HTTP层,再看JSON-RPC层。很多问题其实出在最外层:URL拼错了、端口没开、TLS证书自签导致客户端拒绝连接,这些都会让调用方以为“对方Agent坏了”。用curl先打一发最简单直接的请求确认端点存活,能省掉很多无谓的排查步骤。第二个手段是用FastAPI自动生成的调试页面去手动发请求。路径是 http://127.0.0.1:8002/docs ,打开后能看到接口的请求格式说明,直接在页面里填一个JSON-RPC请求体就能模拟客户端调用,比反复写测试脚本快很多。第三个手段是在服务端加A2A层的日志,把每次收到的taskId、状态流转、错误信息打印出来。这个日志的价值不仅仅是排障,它还能帮你观察Agent协作的行为模式,比如哪个任务经常卡在input-required,哪个任务的payload特别大,这些都是后续做容量规划的重要参考。最后,我建议你在代码层面对输入做一次JSON Schema校验。协议本身是结构化的,但你不能假设所有调用方都严谨地按规范传参。校验的规则不用复杂,只需要确认关键字段存在、类型正确。这一条能拦掉绝大多数低级调用错误。5. A2A落地时你真正要关注的事5.1 安全边界:别让Agent裸奔协议层跑通只是开始,真正落到生产环境,安全边界是你绕不开的大问题。A2A协议目前把认证方式交给实现方自己定,Agent Card里会声明用哪种认证。机器对机器的认证,你千万不要天真地认为“反正是内部调用,不鉴权也没事”。Agent一旦暴露公网,很快就会变成各类扫描器和恶意请求的目标。我自己的实践是:Agent之间走mTLS或者短期Token注入,通过编排层统一管理认证密钥,每个Agent启动时从配置中心拿自己的身份凭据,调用其他Agent时在请求头带上认证信息。这样Agent自身代码里不硬编码任何密钥,换凭据的时候滚动更新就行。另外,无论内网外网,都建议在网关层做IP级别的访问控制,把A2A端点限制在可信来源网段内。5.2 该用A2A还是该用一份大Prompt这是一个我经常被问到的问题。有些场景你根本不需要引入A2A,比如你只是想让一个Agent完成一个独立任务,或者你只是想把两个能力拼成一个单Agent的多步调用。硬上A2A,不仅增加系统复杂度,多了一个网络往返、多了一层状态维护,还增加了故障点。我的判断标准是看两个维度:一是有没有独立生命周期,如果一个任务需要持续很长时间、有中间确认点,A2A的input-required机制会非常合适,这才是它的主场;二是双方有没有独立的演进节奏,如果两个Agent分别由不同团队维护、甚至不同公司部署,A2A这种松耦合协议的价值就体现出来了。反过来说,如果你的“Agent”只是同一个进程里的两个函数,把它们拆成两个服务去走A2A,那纯属给自己找麻烦。5.3 从一次改约任务看Agent协作的演进方向回到那个客服Agent和排程Agent协作的案例。这个简单流程的背后,其实体现了一个更重要的趋势:AI应用正在从“一个人干所有事”走向“一个团队各司其职”。A2A就是给这个团队提供的一套沟通语言。我个人在实际操作中的体会是,A2A协议把Agent协作的复杂性放到了协议层,反而简化了每个Agent自身的实现。你不需要在业务代码里去硬编码“对方的接口长什么样”,只需要理解协议的任务状态机,然后像对待一个靠谱同事一样去对接:把诉求讲清楚、把输入给到位、把反馈听明白。如果你接下来要做Agent协作相关的项目,我建议你先从这个最小案例改起:换个真实业务场景、把内存存储换成数据库、加上认证和日志。一步一步把协议吃透之后,再去研究多Agent动态编排这类进阶玩法。协议本身不复杂,复杂的是场景,但核心的路子,就是这篇文章里说的这些。最后再分享一个小心得:调试A2A一定不要把客户端和服务端同时扯进来一起改。先把服务端的Agent Card和messages/send调试到稳定,用curl或调试页把服务端的行为彻底钉死,再去写客户端逻辑。两边分开稳定下来再接合,遇到的问题会少一个数量级。