<p>整合多样化的人工智能代理常常感觉不像是先进的软件工程，而更像是试图将一个外来插头强行插入不兼容的插座。这种挫败感表现为为将 Python 代理与 Node 后端连接而编写的无尽 “胶水代码”，这是谷歌云最新架构提案所解决的核心难题。专门的大型语言模型（LLMs）的激增以及将它们组合成连贯的多步骤工作流的必要性，使得定制的集成方法变得过时，迫切需要一个为工业规模构建的通用接口。</p>
<p>谷歌云的开发者倡导者 Amit Maraj 最近介绍了 Agent-to-Agent (A2A) 协议——一个旨在使人工智能代理能够流畅沟通的基础标准，类似于已建立的微服务。演示的重点是解决困扰复杂多代理系统的互操作性危机，这一挑战如果不加以解决，将威胁到企业环境中复杂、可靠的人工智能应用的发展。该标准超越了简单的 API 调用，定义了一个全面的合同，规定了人工智能组件如何发现和相互交互，无论其底层语言、框架或模型复杂性如何。</p>
<p>实现这种无缝通信的核心机制是 AgentCard。Maraj 强调，这个解决方案 “不是魔法，而是一个标准。” 每个 A2A 代理在一个特殊的端点提供一个标准化的身份证，通常位于<code>/well-known/agent.json</code>。这个 AgentCard 本质上是代理的个人资料，详细说明了其名称、描述、能力，以及至关重要的输入和输出模式。这种结构类似于 OpenAPI 规范（Swagger），但专门针对代理能力进行了定制，确保任何协调者——无论其自身的实现如何——都能准确理解代理的功能以及如何安全、可预测地与之交互。</p>
<p>A2A 的深远意义在于其解耦机制。通过仅依赖标准化的 HTTP 接口和可发现的 AgentCard，协调者代理无需导入或理解其工作者的底层代码或语言。这种分离为人工智能系统设计引入了前所未有的灵活性和模块化。例如，一个开发团队可以部署一个研究者代理，利用一个超快、廉价的模型进行初步数据检索，而一个单独的内容生成代理则由一个庞大、昂贵的推理模型驱动进行最终合成。这两个代理尽管可能用完全不同的语言编写，如 Python 和 Go，但通过 A2A 标准可以轻松沟通。正如 Maraj 所指出的，这实现了 “真正的微服务架构，但针对人工智能”，使工程师能够优化单个组件的成本、速度或准确性，而不影响系统的完整性。</p>
<p>在这些多代理系统中实现稳定性和可扩展性需要明确的劳动分工，特别是在状态管理方面。Maraj 概述的架构引入了协调者代理，作为一个 “项目经理”，持有一个 “主剪贴板” 来管理状态。这个剪贴板包含了迄今为止生成或处理的每一条信息——任务的完整历史上下文。</p>
<p>工作代理——例如研究者、评审者或写作代理——被设计为无状态的。如果一个工作代理崩溃并重新启动，系统仍然保持弹性，因为协调者保留了完整的状态。</p>
<p>这种无状态设计为工作代理提供了关键的操作优势，确保了抗崩溃能力并简化了横向扩展。工作代理只需出现，执行协调者基于当前剪贴板页面分配的任务，并返回结果。它们是可替代的、可消耗的资源。代理开发工具包（ADK）通过提供管理剪贴板和定义明确工作流模式的工具来支持这种架构。ADK 提供了标准化的模式，如顺序代理（执行步骤 A，然后是 B）和循环代理，允许代理在特定条件满足之前对任务进行迭代，例如从评审者代理那里获得满意的反馈，而不需要开发者硬编码复杂的决策树。</p>
<p>企业构建者的关键收获是这一框架所施加的纪律：在编写任何代码之前，团队必须定义剪贴板——确切地说，需要捕获、保存和在代理之间转移的数据。对于所示的示例工作流，这意味着明确地定义 “研究结果” 和 “评审反馈” 的结构。这种严谨确保了最终系统不仅是模块化的，而且是高度可审计和可调试的，这对于关键任务的部署至关重要。通过采用 A2A 协议和协调者/无状态工作者模式，组织可以将代理开发从脆弱的定制集成转向为生产环境准备的强大、可互换的组件。</p>

谷歌-A

谷歌-C

1 倍做空谷歌 ETF - Direxion

2 倍做多谷歌 ETF - Direxion

<p>Google Cloud 推出了代理到代理（A2A）协议，这是一项旨在增强企业系统中 AI 代理之间通信的标准。该协议通过允许代理无缝互动，解决了互操作性问题，无论其底层技术如何。A2A 标准利用 AgentCard，详细描述每个代理的能力和架构，促进 AI 系统设计的模块化和灵活性。该架构包括一个协调者代理，负责管理状态，确保系统的弹性和可扩展性。通过采用 A2A 协议，组织可以改善代理开发，朝着适合生产环境的强大、可互换组件迈进</p>

<p>Integrating diverse AI agents often feels less like advanced software engineering and more like trying to force a foreign plug into an incompatible outlet. This frustration, characterized by endless “glue code” written to bridge Python agents with Node backends, is the central dilemma addressed by Google Cloud’s latest architectural proposal. The proliferation of specialized large language models (LLMs) and the necessity of combining them into cohesive, multi-step workflows have rendered bespoke integration methods obsolete, demanding a universal interface built for industrial scale.</p>
<div class="lb-trans"><p>整合多样化的人工智能代理常常感觉不像是先进的软件工程，而更像是试图将一个外来插头强行插入不兼容的插座。这种挫败感表现为为将 Python 代理与 Node 后端连接而编写的无尽 “胶水代码”，这是谷歌云最新架构提案所解决的核心难题。专门的大型语言模型（LLMs）的激增以及将它们组合成连贯的多步骤工作流的必要性，使得定制的集成方法变得过时，迫切需要一个为工业规模构建的通用接口。</p>
</div><p>Amit Maraj, a Developer Advocate at Google Cloud, recently presented the Agent-to-Agent (A2A) protocol—a foundational standard designed to enable AI agents to communicate fluidly, much like established microservices. The presentation centered on solving the interoperability crisis plaguing complex multi-agent systems, a challenge that, if left unaddressed, threatens to stifle the development of sophisticated, reliable AI applications in enterprise environments. This standard moves beyond simple API calls, defining a comprehensive contract for how AI components discover and interact with one another regardless of their underlying language, framework, or model complexity.</p>
<div class="lb-trans"><p>谷歌云的开发者倡导者 Amit Maraj 最近介绍了 Agent-to-Agent (A2A) 协议——一个旨在使人工智能代理能够流畅沟通的基础标准，类似于已建立的微服务。演示的重点是解决困扰复杂多代理系统的互操作性危机，这一挑战如果不加以解决，将威胁到企业环境中复杂、可靠的人工智能应用的发展。该标准超越了简单的 API 调用，定义了一个全面的合同，规定了人工智能组件如何发现和相互交互，无论其底层语言、框架或模型复杂性如何。</p>
</div><p>The core mechanism enabling this seamless communication is the AgentCard. Maraj emphasized that the solution “isn’t magic, it’s just a standard.” Every A2A agent serves a standardized ID card at a special endpoint, typically located at `/well-known/agent.json`. This AgentCard is, in essence, the agent’s dating profile, detailing its name, description, capabilities, and, crucially, its necessary input and output schemas. This structure is analogous to an OpenAPI specification (Swagger) but tailored specifically for agentic capabilities, ensuring that any orchestrator—regardless of its own implementation—can understand exactly what the agent does and how to interact with it safely and predictably.</p>
<div class="lb-trans"><p>实现这种无缝通信的核心机制是 AgentCard。Maraj 强调，这个解决方案 “不是魔法，而是一个标准。” 每个 A2A 代理在一个特殊的端点提供一个标准化的身份证，通常位于<code>/well-known/agent.json</code>。这个 AgentCard 本质上是代理的个人资料，详细说明了其名称、描述、能力，以及至关重要的输入和输出模式。这种结构类似于 OpenAPI 规范（Swagger），但专门针对代理能力进行了定制，确保任何协调者——无论其自身的实现如何——都能准确理解代理的功能以及如何安全、可预测地与之交互。</p>
</div><p>The profound significance of A2A lies in its decoupling mechanism. By relying solely on a standardized HTTP interface and the discoverable AgentCard, the orchestrator agent does not need to import or understand the underlying code or language of its workers. This separation introduces unprecedented flexibility and modularity into AI system design. For example, a development team could deploy a Researcher agent utilizing a super-fast, cheap model for initial data retrieval and a separate Content Builder agent powered by a massive, expensive reasoning model for final synthesis. The two agents, despite potentially being written in entirely different languages like Python and Go, communicate effortlessly via the A2A standard. As Maraj noted, this enables “true microservice architecture, but for AI,” allowing engineers to optimize individual components for cost, speed, or accuracy without affecting system integrity.</p>
<div class="lb-trans"><p>A2A 的深远意义在于其解耦机制。通过仅依赖标准化的 HTTP 接口和可发现的 AgentCard，协调者代理无需导入或理解其工作者的底层代码或语言。这种分离为人工智能系统设计引入了前所未有的灵活性和模块化。例如，一个开发团队可以部署一个研究者代理，利用一个超快、廉价的模型进行初步数据检索，而一个单独的内容生成代理则由一个庞大、昂贵的推理模型驱动进行最终合成。这两个代理尽管可能用完全不同的语言编写，如 Python 和 Go，但通过 A2A 标准可以轻松沟通。正如 Maraj 所指出的，这实现了 “真正的微服务架构，但针对人工智能”，使工程师能够优化单个组件的成本、速度或准确性，而不影响系统的完整性。</p>
</div><p>Achieving stability and scalability in these multi-agent systems requires a clear division of labor, particularly concerning state management. The architecture Maraj outlined introduces the Orchestrator agent, which functions as a “Project Manager” holding a “Master Clipboard” of state. This clipboard contains every piece of information generated or processed so far—the complete historical context of the task.</p>
<div class="lb-trans"><p>在这些多代理系统中实现稳定性和可扩展性需要明确的劳动分工，特别是在状态管理方面。Maraj 概述的架构引入了协调者代理，作为一个 “项目经理”，持有一个 “主剪贴板” 来管理状态。这个剪贴板包含了迄今为止生成或处理的每一条信息——任务的完整历史上下文。</p>
</div><p>The worker agents—suchably the Researcher, the Judge, or the Writer—are designed to be stateless. If a worker bot crashes and restarts, the system remains resilient because the Orchestrator retains the full state.</p>
<div class="lb-trans"><p>工作代理——例如研究者、评审者或写作代理——被设计为无状态的。如果一个工作代理崩溃并重新启动，系统仍然保持弹性，因为协调者保留了完整的状态。</p>
</div><p>This stateless design for worker agents is a critical operational advantage, ensuring crash-resistance and simplifying horizontal scaling. Workers only need to show up, execute the task assigned by the Orchestrator based on the current page of the clipboard, and return the result. They are disposable, fungible resources. The Agent Development Kit (ADK) supports this architecture by providing tools to manage the clipboard and define explicit workflow patterns. Rather than requiring developers to hard-code intricate decision trees, the ADK offers standardized patterns like the Sequential Agent (do step A, then B) and the Loop Agent, which allows agents to iterate on a task until a specific condition is met, such as receiving satisfactory feedback from a Judge agent.</p>
<div class="lb-trans"><p>这种无状态设计为工作代理提供了关键的操作优势，确保了抗崩溃能力并简化了横向扩展。工作代理只需出现，执行协调者基于当前剪贴板页面分配的任务，并返回结果。它们是可替代的、可消耗的资源。代理开发工具包（ADK）通过提供管理剪贴板和定义明确工作流模式的工具来支持这种架构。ADK 提供了标准化的模式，如顺序代理（执行步骤 A，然后是 B）和循环代理，允许代理在特定条件满足之前对任务进行迭代，例如从评审者代理那里获得满意的反馈，而不需要开发者硬编码复杂的决策树。</p>
</div><p>The key takeaway for enterprise builders is the discipline imposed by this framework: before any code is written, the team must define the clipboard—precisely what data needs to be captured, saved, and transferred between agents. For the example workflow shown, this meant explicitly defining the structure for “research findings” and “judge feedback.” This rigor ensures that the resulting system is not only modular but also highly auditable and debuggable, crucial factors for mission-critical deployments. By adopting the A2A protocol and the Orchestrator/stateless worker pattern, organizations can transition agent development away from brittle, bespoke integrations toward robust, interchangeable components ready for production environments.</p>
<div class="lb-trans"><p>企业构建者的关键收获是这一框架所施加的纪律：在编写任何代码之前，团队必须定义剪贴板——确切地说，需要捕获、保存和在代理之间转移的数据。对于所示的示例工作流，这意味着明确地定义 “研究结果” 和 “评审反馈” 的结构。这种严谨确保了最终系统不仅是模块化的，而且是高度可审计和可调试的，这对于关键任务的部署至关重要。通过采用 A2A 协议和协调者/无状态工作者模式，组织可以将代理开发从脆弱的定制集成转向为生产环境准备的强大、可互换的组件。</p>
</div>

AI Agent Microservices: Introducing the A2A Protocol for Enterprise Systems

- Google Cloud 提出 Agent-to-Agent (A2A) 协议，以解决多智能体系统的互操作性危机。  
- A2A 通过标准化的 AgentCard，简化了 AI 组件之间的通信、互动方式。  
- 引入无状态设计的工作代理，提升了系统的稳定性和扩展性。

AI 代理微服务：推出用于企业系统的 A2A 协议