企业官网建设流程全解析

MCP 解决了 Agent ↔ 工具，谁来解决 Agent ↔ Agent？

上一篇讲了 MCP：一个 Agent 通过标准协议连接工具服务。工具是被动的——它等待被调用，执行，返回结果。

但有些场景里，你需要委托的不是一个工具，而是另一个有自主决策能力的 Agent：

• 你有一个研究型 Agent，擅长收集和分析技术资料
• 你有一个写作型 Agent，擅长把分析结论转化成可读文档
• 你有一个代码审查 Agent，擅长发现安全问题

当这三个 Agent 需要协作时，它们之间怎么沟通？谁知道谁的存在？怎么传递工作？

这就是A2A（Agent-to-Agent）协议要解决的问题。

MCP： Agent ←→ 工具/数据源（垂直集成，Agent 主动调工具） A2A： Agent ←→ Agent （水平协作，Agent 委托给 Agent）

A2A 的三个核心概念

AgentCard：Agent 的"名片"

每个 Agent 发布一张AgentCard，描述它能做什么：

froma2a.typesimportAgentCard,AgentSkilldefmake_skill(skill_id,name,description,tags):s=AgentSkill()s.id=skill_id s.name=name s.description=description s.tags.extend(tags)returns research_card=AgentCard()research_card.name="research-agent"research_card.description="Gathers factual background on technical topics"research_card.skills.append(make_skill("research","Research","Collect key facts on a topic",["research","facts"]))

AgentCard 的关键字段：name、description、skills（每个 skill 有tags用于发现）。

这就像是 OpenAPI Spec 的 Agent 版本——机器可读的能力声明。

Task：工作单元

Agent 间传递的不是函数调用，而是Task：

froma2a.typesimportTask,TaskState,TaskStatus,Message,Part,Role task=Task()task.id=str(uuid.uuid4())task.status.state=TaskState.TASK_STATE_SUBMITTED# 输入：User 角色的 Messagemsg=Message()msg.role=Role.ROLE_USER part=Part();part.text="Should I use Python or Go?"msg.parts.append(part)task.history.append(msg)

Task有生命周期状态：SUBMITTED → WORKING → COMPLETED / FAILED。完成时，Agent 把结果追加为ROLE_AGENT的 Message。

Registry：Agent 的黄页

AgentRegistry存储所有注册的 AgentCard，支持按 tag 发现：

classAgentRegistry:defregister(self,card:AgentCard,handler:Callable[[Task],Task])->None:self._agents[card.name]=AgentEntry(card=card,handler=handler)defdiscover(self,tag:str)->list[AgentCard]:"""返回所有 skill 包含指定 tag 的 Agent"""...defdelegate(self,agent_name:str,input_text:str)->Task:"""创建 Task 并通过注册的 handler 执行"""...

Demo 1：直接调用——简单但耦合

没有协议时，orchestrator 直接调用三个 Python 函数：

defdirect_orchestrator(question:str)->str:research=research_agent_fn(question)# 硬依赖analysis=analysis_agent_fn(research)# 硬依赖answer=writing_agent_fn(analysis)# 硬依赖returnanswer

实测结果：

→ calling research_agent (direct) → calling analysis_agent (direct) → calling writing_agent (direct) Answer: Choose Python if you need rapid development with broad libraries. Select Go if performance and concurrency are critical...

功能没问题。问题是：orchestrator 里写死了三个函数名。替换任何一个 Agent，需要修改 orchestrator 代码。如果 orchestrator 在另一个服务里，就是跨服务改代码。

Demo 2：A2A AgentCard 注册表

注册三个 Agent，每个带不同的 skill tag：

[registry] registered: research-agent [registry] registered: analysis-agent [registry] registered: writing-agent

发现测试：

researchers=registry.discover("research")# → Found: research-agent — Gathers factual background on technical topicswriters=registry.discover("writing")# → Found: writing-agent — Composes clear technical prose from analysis output

orchestrator 完全不写 Agent 名字，只按 tag 发现：

defa2a_orchestrator(question:str)->str:researchers=registry.discover("research")t1=registry.delegate(researchers[0].name,question)analysts=registry.discover("analysis")t2=registry.delegate(analysts[0].name,task_output(t1))writers=registry.discover("writing")t3=registry.delegate(writers[0].name,task_output(t2))returntask_output(t3)

实测执行：

→ delegating to research-agent (discovered via tag) → delegating to analysis-agent (discovered via tag) → delegating to writing-agent (discovered via tag) Answer: Choose Python for rapid development; Go for high-throughput performance...

关键差别：orchestrator 代码里没有出现research-agent、writing-agent这些名字。新注册一个writing-agent-v2（带同样的writingtag），orchestrator 立刻可以发现并使用它——零代码改动。

Demo 3：LLM 驱动的 Agent 路由

A2A 最强大的用法：LLM 读取 AgentCard catalog，自己决定调用哪些 Agent、按什么顺序。

向 LLM 展示 Agent 目录：

Available agents: research-agent: Gathers factual background [skills: Research(research, facts)] analysis-agent: Analyzes research notes [skills: Analysis(analysis, tradeoffs)] writing-agent: Composes technical prose [skills: Writing(writing, prose)]

LLM 输出执行计划：

["research-agent","analysis-agent","writing-agent"]

按计划执行：

Executing 3 agents: → delegating to research-agent → delegating to analysis-agent → delegating to writing-agent Final answer: Choose Python for rapid development; Go for high-throughput...

这是 A2A 的终态：不需要预先配置 orchestrator，LLM 根据任务需求和 AgentCard 描述，在运行时自主规划协作链路。

MCP vs A2A vs ANP：协议选型矩阵

维度 MCP A2A ────────────────────────────────────────────────────────────────────── 解决什么问题 Agent ↔ 工具/数据源 Agent ↔ Agent 发现机制 list_tools()（工具目录） discover()（Agent 注册表） 工作单元 Tool call（同步） Task（异步就绪） 耦合方式 Agent 直接使用工具 Orchestrator 委托给 Agent 另一端的性质 被动的工具服务 有自主逻辑的 Agent 跨服务 工具是独立进程 Agent 是独立服务

四种协作方式的完整选型：

场景 推荐方案 ────────────────────────────────────────────────────── 同一代码库，调用确定 直接函数调用 Agent 需要调用外部工具 MCP 协议（tools as service） Agent 委托给专业 Agent A2A 协议（agents as service） 跨组织大规模 Agent 网络 ANP（去中心化发现，Web3 风格）

设计 Checklist

AgentCard 设计

• description用一句话描述 Agent 擅长什么，LLM 会读它来决策
• skill.tags用语义明确的标签（research、analysis、writing），不用版本号或 ID
• AgentCard应该是机器可读、人类也能理解的（参考 OpenAPI 风格）

Task 设计

• Task.id用 UUID，便于追踪和幂等重试
• 用history（Message 链）传递上下文，而不是在 part.text 里拼接所有历史
• 区分ROLE_USER（输入）和ROLE_AGENT（输出）的 Message

Registry 与发现

• 一个 tag 可以对应多个 Agent（负载均衡、A/B 测试）
• 支持按 tag 筛选，也支持按 name 精确查找
• 生产环境用持久化 Registry（数据库或服务注册中心），而非内存字典

LLM 驱动路由

• Agent catalog 要简洁：name + description + skill tags，不要把整个 AgentCard JSON 塞给 LLM
• 解析 LLM 输出时做校验（agent_name not in registry），给出兜底路径
• 记录 LLM 生成的执行计划，便于事后分析和调试

总结

五个核心结论：

1. A2A 和 MCP 不竞争，互补：MCP 是 Agent 调工具，A2A 是 Agent 委托 Agent；一个系统里可以同时用两种协议
2. AgentCard 是 A2A 的核心：它让 Agent 变成可被发现、可被组合的服务单元，而不是硬编码的依赖
3. Task 是比函数调用更丰富的工作单元：有生命周期状态，支持异步，可以携带结构化历史
4. 直接调用 vs A2A 的分界线：同一团队、同一代码库 → 直接调用；跨服务、需要解耦 → A2A
5. LLM 驱动路由是 A2A 的最高形态：Agent 根据任务描述自主规划协作链路，无需预先配置 orchestrator

下一篇：Agent 评估框架—— 怎么系统地测试 Agent？用什么指标衡量好坏？DeepEval 怎么用？

参考资料

• A2A Protocol 官方规范
• A2A Python SDK
• ANP（Agent Network Protocol）
• 本系列完整 Demo 代码：agent-10-a2a

更多实用知识和有趣产品，欢迎访问我的个人主页