简介:本文回答 A2A 是否可生产落地,拆解 Agent Card、Task、Message、Artifact 等核心对象,给出带安全处理的接入代码、流式与长任务示例,并补充异常恢复、成本测算和上线检查表,帮助读者判断适用场景与实施方案。
如果你的问题是“A2A 现在能不能用于生产环境”,答案是:在边界清晰、协议可控、治理补齐的前提下,已经可以。
如果你的期望是“像调用 REST API 一样,跨厂商即插即用编排任意 Agent”,那仍然不现实。
一个更准确的判断是:A2A 的协议层已经具备初步可交付性,但多智能体协作的工程方法论仍在早期。部分云平台已提供类似能力,例如通过填写 A2A 服务地址、解析对方 Agent Card、展示名称与技能列表后完成接入。但这只是“接入形态”的产品化,不代表跨厂商协作语义已经完全成熟。不同平台在鉴权、流式输出、长任务、配额、版本兼容和可观测性上的支持差异较大,落地时应以具体平台文档和实际联调结果为准。
在多智能体系统中,系统上限往往不由单个 Agent 决定,而由 Agent 之间的通信效率决定。通信效率低会带来三个直接后果:任务链路变长、上下文重复传递、失败恢复困难。因此,评估 A2A 不能只看“协议是否新颖”,还要看它是否降低了跨边界协作成本。
智能体通信的外延很宽:Agent 与人、Agent 与工具、Agent 与环境,都属于交互。A2A 特指智能体与智能体之间的点对点或网络化通信。它的目标不是简单传数据,而是让两个具备自主性的个体完成意图对齐、能力协商和分工协作。
这和传统 S2S 服务间通信有本质区别:
| 对比维度 | 传统 S2S 服务间通信 | A2A 智能体间通信 |
|---|---|---|
| 主体特性 | 程序服务,严格执行预设逻辑 | 具备自主决策、意图理解和规划能力 |
| 通信内容 | 预定义结构化参数,接口固定 | 语义化意图、知识、状态、方案,可动态扩展 |
| 交互逻辑 | 严格请求-响应,协商空间小 | 支持多轮协商、辩论、共识,流程更灵活 |
| 失败语义 | 超时、错误码,重试通常可解决 | 语义性失败,如理解偏差、方案不可行,需要重新协商 |
| 版本兼容 | 接口 breaking change 需要同步升级 | 依靠能力描述与技能声明做运行时适配 |
关键差异在最后一行:S2S 的契约是接口签名,A2A 的契约是能力声明。前者靠代码保证,后者靠运行时协商保证。这既是 A2A 灵活性的来源,也是其工程复杂度的来源。
以 Google 主导的 Agent2Agent Protocol(A2A)规范为参照,可参考其官方仓库:https://github.com/google/A2A 。本文示例基于早期 JSON-RPC 2.0 over HTTP 风格,具体方法名、字段名和传输细节可能随规范版本变化,接入前应以对应版本文档为准。
理解 A2A,可以先抓住四个核心对象:
/.well-known/agent-card.json。它声明名称、描述、服务地址、版本、是否支持流式,以及 skills 技能列表。它是服务发现与路由的重要依据。submitted、working、input-required、completed、failed、canceled。长任务必须可查询、可取消。一个最小可用的 Agent Card 示例:
{"name": "asset_analysis_agent","description": "资产分析与持仓诊断智能体","url": "https://agent.example.com/a2a","version": "1.0.0","capabilities": { "streaming": true, "pushNotifications": false },"defaultInputModes": ["text"],"defaultOutputModes": ["text", "json"],"skills": [{"id": "portfolio_analysis","name": "持仓分析","description": "根据用户持仓生成资产配置诊断与风险提示","inputModes": ["text"],"outputModes": ["text", "json"]}]}
生产环境请勿硬编码密钥,应使用环境变量、密钥管理系统或云平台安全凭据,并遵循最小权限原则。日志中应脱敏处理,避免输出完整 Authorization、API_KEY 或敏感请求内容。调用时还应设置连接超时、读取超时,并对 429、500、502、503、504 等可重试错误进行指数退避重试;对参数错误、鉴权失败等不可重试错误应快速失败并记录请求 ID。
import osimport jsonimport requestsfrom requests.adapters import HTTPAdapterfrom urllib3.util.retry import RetryA2A_URL = os.getenv("A2A_URL", "https://agent.example.com/a2a")API_KEY = os.getenv("A2A_API_KEY")if not API_KEY:raise RuntimeError("请通过环境变量或密钥管理系统配置 A2A_API_KEY")session = requests.Session()retry = Retry(total=2,backoff_factor=0.5,status_forcelist=[429, 500, 502, 503, 504],allowed_methods=["POST"],)session.mount("https://", HTTPAdapter(max_retries=retry))payload = {"jsonrpc": "2.0","id": "req-001","method": "message/send","params": {"message": {"role": "user","messageId": "msg-001","parts": [{"kind": "text","text": "帮我分析当前基金持仓的集中度风险"}]}},}try:resp = session.post(A2A_URL,json=payload,headers={"Authorization": f"Bearer {API_KEY}","Content-Type": "application/json",},timeout=30,)resp.raise_for_status()print(json.dumps(resp.json(), ensure_ascii=False, indent=2))except requests.Timeout:print("请求超时,请根据幂等策略决定是否重试")except requests.HTTPError as e:status_code = e.response.status_code if e.response is not None else "unknown"print(f"HTTP错误: {status_code}")
如果 Agent 支持流式输出,可以将方法替换为 message/stream。具体字段和事件格式以所接入平台的 A2A 版本为准,通常需要逐行解析 SSE 数据。
stream_payload = {"jsonrpc": "2.0","id": "req-stream-001","method": "message/stream","params": {"message": {"role": "user","messageId": "msg-stream-001","parts": [{"kind": "text","text": "请给出持仓集中度风险的逐步分析过程"}]}},}try:with session.post(A2A_URL,json=stream_payload,headers={"Authorization": f"Bearer {API_KEY}","Content-Type": "application/json","Accept": "text/event-stream",},stream=True,timeout=60,) as r:r.raise_for_status()for raw_line in r.iter_lines():if not raw_line:continueif raw_line.startswith(b"data:"):data = raw_line[5:].strip()if data == b"[DONE]":breaktry:event = json.loads(data.decode("utf-8"))print(json.dumps(event, ensure_ascii=False, indent=2))except json.JSONDecodeError:print("收到非 JSON 事件片段,需按协议版本处理")except requests.RequestException as e:print(f"流式请求失败: {type(e).__name__}")
对于耗时较长的任务,可以使用 tasks/send 创建任务,再用 tasks/get 轮询状态。若平台支持 pushNotifications,也可以用回调方式替代轮询。实际字段名请以接入版本的 A2A 规范为准。
import timetask_payload = {"jsonrpc": "2.0","id": "req-task-001","method": "tasks/send","params": {"message": {"role": "user","messageId": "msg-task-001","parts": [{"kind": "text","text": "请生成完整资产分析报告,并给出再平衡建议"}]}},}resp = session.post(A2A_URL,json=task_payload,headers={"Authorization": f"Bearer {API_KEY}"},timeout=30,)resp.raise_for_status()task_id = resp.json()["result"]["task"]["id"]while True:poll_payload = {"jsonrpc": "2.0","id": "req-task-get-001","method": "tasks/get","params": {"id": task_id},}poll_resp = session.post(A2A_URL,json=poll_payload,headers={"Authorization": f"Bearer {API_KEY}"},timeout=30,)poll_resp.raise_for_status()task_state = poll_resp.json()["result"]["task"]["state"]if task_state in {"completed", "failed", "canceled"}:print(f"任务结束,状态为: {task_state}")breaktime.sleep(3)
在真实系统中,还应给轮询设置最大次数或总超时,并对 failed 任务执行补偿逻辑,而不是无限等待。
A2A 协议规定了“怎么说话”,但没有完全规定“怎么把事办成”。落地时,通常会遇到以下问题。
上游 Agent 输出的自然语言摘要,传到下游后可能丢失关键约束。例如用户要求“不能推荐高风险资产”,如果下游只收到一句“请做资产配置建议”,就可能偏离目标。
实践中的解法是把关键约束结构化。能放进结构化 Part 的字段,就不要全部塞进自由文本。例如:
{"kind": "data","data": {"risk_limit": "low","excluded_assets": ["high_volatility_fund"],"goal": "capital_preservation"}}
这样下游 Agent 更容易稳定解析约束。
A2A 中常通过 contextId 或类似字段串联同一会话,但上下文无限增长会推高 Token 成本,并稀释关键信息。生产系统需要主动做上下文治理,包括摘要压缩、滑动窗口裁剪、关键字段保留和过期上下文清理。
谁来做、按什么顺序做,通常需要中控调度。成熟做法不是让所有请求都直接进入生成式 Agent,而是采用双引擎或多引擎串行调度:优先走可控的判别式流程,例如任务式对话、FAQ、规则路由;匹配不上再交给生成式 Agent。这样既能保证效果,也能降低并发压力和调用成本。
多个 Agent 给出矛盾结论时,不要让其自由辩论到 Token 耗尽。更可控的方式包括:引入仲裁 Agent、基于置信度加权投票、按规则优先级裁决,或者直接返回 input-required 请求用户确认。
A2A 的失败往往不是简单超时,而是语义性失败,例如理解偏差、方案不可行、下游能力不足。简单重试通常无效。必须为 Task 设计补偿路径:
input-required 向用户追问;多智能体系统最容易被低估的是成本。单轮任务的真实成本可以按以下口径估算:
单次任务成本 = Σᵢ(输入Tokenᵢ × 输入单价ᵢ + 输出Tokenᵢ × 输出单价ᵢ)+ 检索成本 + 工具调用成本 + 重试与协商轮次带来的乘数
这里的乘数非常关键。N 个 Agent 协作时,同一份上下文可能被反复传递,输入 Token 会随 Agent 数量增长,甚至因多轮协商而快速增长。
一个简化示例:
假设某任务需要主 Agent、下游 Agent A、下游 Agent B,并发生一次协商重试。各阶段 Token 使用如下:
合计:
如果假设输入价格为每千 Token 0.002 元,输出价格为每千 Token 0.006 元,则理论模型调用成本为:
3100 / 1000 × 0.002 + 1200 / 1000 × 0.006= 0.0062 + 0.0072= 0.0134 元
这只是模型调用成本,不包含检索、工具调用、网络传输、日志存储、人工审核和重试带来的额外成本。因此,上线前应建立内部成本口径:按每次调用记录输入 Token、输出 Token、工具调用次数、重试次数和协商轮次,再折算成单次任务成本。
优化手段按性价比排序:
值得上 A2A 的场景:
暂时不必上 A2A 的场景:
在这种情况下,一个设计良好的函数调用编排往往比 A2A 更快、更稳、更容易治理。
在接入 A2A 前,建议逐项确认:
A2A 是 Agent to Agent 的缩写,指智能体与智能体之间的通信协议。它关注的是 Agent 之间如何发现能力、传递意图、协商任务和返回结果,而不仅仅是传统服务间调用参数。
通常需要先获取对方 Agent Card,确认服务地址、技能列表、输入输出模式和能力声明,再通过 A2A 客户端发起 message/send、message/stream 或任务类调用。生产接入时应补充鉴权、超时、重试、日志脱敏和预算控制。
常见异常包括:Agent Card 不可达、鉴权失败、方法名或字段不兼容、意图理解偏差、上下文过长、下游任务超时、语义性失败、流式连接中断,以及多 Agent 结论冲突。
优先做模型分层、上下文裁剪、结果缓存、调用链精简和预算熔断。对于可确定性完成的任务,尽量使用小模型或规则引擎;对于长链路任务,应压缩中间上下文,减少重复传递。
一句话总结:A2A 的协议层已经可以作为生产系统的一部分,但真正的难点在于协作语义、异常恢复和成本控制。更稳妥的路径是:用标准协议解决互操作,用中控调度解决可控性,用上下文治理和成本预算解决可持续性。