<p>現代人工智能系統擴展的主要摩擦點不是計算能力或模型質量，而是集成的複雜性。當不同框架、語言和 API 模式構建的離散 AI 服務必須進行通信時，開發人員往往花費更多時間編寫 “粘合代碼” 而不是實際的 AI 邏輯，導致脆弱的單體架構。在最近關於構建多智能體系統的演講中，谷歌開發者倡導者 Amit Maraj 提出了這個問題的基礎解決方案：代理到代理（A2A）協議，配合代理開發工具包（ADK），提供一個標準化的、類似微服務的框架，以實現代理之間的互操作性。</p>
<p>Maraj 談到了通用接口的必要性，將當前 AI 集成的狀態比作與不兼容的旅行適配器搏鬥。A2A 協議旨在成為那個通用適配器，確保代理無論其底層棧是 Python、Node 還是 Go，都可以通過標準 HTTP 接口無縫通信。這種標準化依賴於一個核心概念：AgentCard，這是一個託管在`/.well-known/agent.json`的機器可讀 JSON 文件。</p>
<p>這個 AgentCard 充當代理的公共合同。它指定了代理的名稱、描述、版本，以及關鍵的能力，包括輸入和輸出模式。Maraj 指出，AgentCard“有點像我們代理的約會資料”，提供了另一個代理或協調者與其智能交互所需的所有信息。通過明確地定義這些模式，代理可以有效地進行通信，而無需導入或理解其同伴的內部代碼依賴。這類似於現代微服務使用 OpenAPI 規範（Swagger）來定義其接口，但專門針對大型語言模型（LLMs）的動態、提示驅動特性進行了調整。</p>
<p>這種方法的直接好處是架構解耦。如果一個研究代理使用 Python 構建了一個超快、便宜的模型，而後續的內容創作代理使用 Go 構建了一個龐大、昂貴的推理模型，它們可以在不關心彼此實現細節的情況下交換數據。它們只需使用 A2A 進行交流。Maraj 強調，這使得真正的多語言持久性和架構靈活性成為可能：“你甚至可以明天用 Go 重寫研究者，保持相同的 A2A 接口，而你係統的其餘部分甚至不會眨眼。這才是真正的微服務架構，但用於 AI。” 這種關注點的分離對於希望快速迭代、根據成本或性能更換模型並保持對技術更迭的韌性的企業至關重要。</p>
<p>通過 A2A 實現互操作性只是戰鬥的一半；複雜的 AI 工作流需要強大的狀態管理和執行控制。這就是代理開發工具包（ADK）引入以協調者代理為中心的關鍵架構模式的地方。與其讓每個工作代理維護自己對過去步驟和上下文的記憶——這種方法本質上是脆弱且資源密集的——ADK 強制執行一個模式，其中一個協調者管理整體狀態。</p>
<p>協調者充當 “項目經理”，維護狀態的 “主剪貼板”。這種設計確保了專門的工作代理，如研究者或評審，保持輕量、可擴展且抗崩潰。</p>
<p>工作代理是無狀態的，從協調者接收指令和上下文，執行特定任務，然後在終止或等待下一個指令之前將輸出返回到主剪貼板。這種架構本質上是容錯的。正如 Maraj 所指出的，“如果一個工作機器人崩潰並重啓，那沒關係。它沒有丟失任何重要的東西，因為它沒有持有任何重要的東西。” 協調者保留完整的歷史和上下文，允許輕鬆重試或重新分配失敗的步驟，而不會丟失關鍵進展。這與早期的代理框架有根本的不同，後者通常需要持久的、有狀態的工作進程，使得部署和擴展變得困難。</p>
<p>ADK 進一步簡化了編排層，通過提供標準化的工作流管理模式，如順序代理（執行步驟 A，然後是 B）和循環代理（迭代步驟 A 直到滿足條件）。這些模式抽象了任務路由和狀態持久化的複雜邏輯，使開發人員能夠專注於定義工作流和在代理之間流動的狀態數據結構——“剪貼板”。因此，重點從編寫複雜的集成代碼轉移到定義精確的數據合同（通過 A2A）和高層次的執行流程（通過 ADK 模式）。對於複雜的 AI 生態系統，定義需要保存的數據——如研究結果和評審反饋——成為在編寫任何代碼之前的基礎步驟。這種嚴謹的方法承諾將 AI 代理構建提升到從實驗腳本到工業級分佈式系統工程的水平。</p>

谷歌-C

谷歌-A

1 倍做空谷歌 ETF - Direxion

2 倍做多谷歌 ETF - Direxion

<p>谷歌推出了代理到代理（A2A）協議和代理開發工具包（ADK），以解決集成不同人工智能系統的複雜性。A2A 協議充當一個通用接口，使得用不同語言構建的代理能夠無縫溝通。AgentCard 是一個機器可讀的 JSON 文件，指定了每個代理的能力，從而實現有效的溝通而無需內部代碼依賴。ADK 引入了一個協調者代理來管理狀態和執行控制，確保輕量級、可擴展的工作代理。這種架構促進了容錯性，並簡化了工作流程管理，增強了強大人工智能系統的開發</p>

<p>The primary friction point in scaling modern AI systems is not computational power or model quality, but the sheer complexity of integration. When disparate AI services—built across different frameworks, languages, and API schemas—must communicate, developers often spend more time writing “glue code” than actual AI logic, resulting in brittle, monolithic architectures. Google Developer Advocate Amit Maraj, in a recent presentation on building multi-agent systems, introduced a foundational solution to this problem: the Agent-to-Agent (A2A) protocol, paired with the Agent Development Kit (ADK), providing a standardized, microservice-like framework for agent interoperability.</p>
<div class="lb-trans"><p>現代人工智能系統擴展的主要摩擦點不是計算能力或模型質量，而是集成的複雜性。當不同框架、語言和 API 模式構建的離散 AI 服務必須進行通信時，開發人員往往花費更多時間編寫 “粘合代碼” 而不是實際的 AI 邏輯，導致脆弱的單體架構。在最近關於構建多智能體系統的演講中，谷歌開發者倡導者 Amit Maraj 提出了這個問題的基礎解決方案：代理到代理（A2A）協議，配合代理開發工具包（ADK），提供一個標準化的、類似微服務的框架，以實現代理之間的互操作性。</p>
</div><p>Maraj spoke about the necessity of a universal interface, likening the current state of AI integration to wrestling with incompatible travel adapters. The A2A protocol aims to be that universal adapter, ensuring that agents, regardless of their underlying stack—Python, Node, or Go—can communicate seamlessly via a standard HTTP interface. This standardization hinges on a core concept: the AgentCard, a machine-readable JSON file hosted at `/.well-known/agent.json`.</p>
<div class="lb-trans"><p>Maraj 談到了通用接口的必要性，將當前 AI 集成的狀態比作與不兼容的旅行適配器搏鬥。A2A 協議旨在成為那個通用適配器，確保代理無論其底層棧是 Python、Node 還是 Go，都可以通過標準 HTTP 接口無縫通信。這種標準化依賴於一個核心概念：AgentCard，這是一個託管在`/.well-known/agent.json`的機器可讀 JSON 文件。</p>
</div><p>This AgentCard serves as the agent’s public contract. It specifies the agent’s name, description, version, and, critically, its capabilities, including input and output schemas. Maraj notes that the AgentCard is “kind of like our agents’ dating profile,” providing all necessary information for another agent or orchestrator to interact with it intelligently. By defining these schemas explicitly, agents can communicate effectively without needing to import or understand the internal code dependencies of their peers. This is analogous to how modern microservices use OpenAPI specifications (Swagger) to define their interfaces, but tailored specifically for the dynamic, prompt-driven nature of large language models (LLMs).</p>
<div class="lb-trans"><p>這個 AgentCard 充當代理的公共合同。它指定了代理的名稱、描述、版本，以及關鍵的能力，包括輸入和輸出模式。Maraj 指出，AgentCard“有點像我們代理的約會資料”，提供了另一個代理或協調者與其智能交互所需的所有信息。通過明確地定義這些模式，代理可以有效地進行通信，而無需導入或理解其同伴的內部代碼依賴。這類似於現代微服務使用 OpenAPI 規範（Swagger）來定義其接口，但專門針對大型語言模型（LLMs）的動態、提示驅動特性進行了調整。</p>
</div><p>The immediate benefit of this approach is architectural decoupling. If a Researcher agent is built using a super-fast, cheap model in Python, and a subsequent Content Writer agent uses a massive, expensive reasoning model in Go, they can exchange data without caring about each other’s implementation details. They simply speak A2A. Maraj emphasized that this enables true polyglot persistence and architectural flexibility: “You could even rewrite the Researcher in Go tomorrow, keep the same A2A interface, and the rest of your system wouldn’t even blink. That’s true microservice architecture, but for AI.” This separation of concerns is paramount for enterprises looking to iterate quickly, swap models based on cost or performance, and maintain resilience against technological churn.</p>
<div class="lb-trans"><p>這種方法的直接好處是架構解耦。如果一個研究代理使用 Python 構建了一個超快、便宜的模型，而後續的內容創作代理使用 Go 構建了一個龐大、昂貴的推理模型，它們可以在不關心彼此實現細節的情況下交換數據。它們只需使用 A2A 進行交流。Maraj 強調，這使得真正的多語言持久性和架構靈活性成為可能：“你甚至可以明天用 Go 重寫研究者，保持相同的 A2A 接口，而你係統的其餘部分甚至不會眨眼。這才是真正的微服務架構，但用於 AI。” 這種關注點的分離對於希望快速迭代、根據成本或性能更換模型並保持對技術更迭的韌性的企業至關重要。</p>
</div><p>Interoperability through A2A is only half the battle; complex AI workflows require robust state management and execution control. This is where the Agent Development Kit (ADK) introduces a crucial architectural pattern centered on the Orchestrator agent. Instead of having every worker agent maintain its own memory of past steps and context—a method that is inherently fragile and resource-intensive—the ADK enforces a pattern where a single Orchestrator manages the overall state.</p>
<div class="lb-trans"><p>通過 A2A 實現互操作性只是戰鬥的一半；複雜的 AI 工作流需要強大的狀態管理和執行控制。這就是代理開發工具包（ADK）引入以協調者代理為中心的關鍵架構模式的地方。與其讓每個工作代理維護自己對過去步驟和上下文的記憶——這種方法本質上是脆弱且資源密集的——ADK 強制執行一個模式，其中一個協調者管理整體狀態。</p>
</div><p>The Orchestrator functions as a “Project Manager” maintaining the “Master Clipboard” of state. This design ensures that specialized worker agents, such as the Researcher or the Judge, remain lightweight, scalable, and crash-resistant.</p>
<div class="lb-trans"><p>協調者充當 “項目經理”，維護狀態的 “主剪貼板”。這種設計確保了專門的工作代理，如研究者或評審，保持輕量、可擴展且抗崩潰。</p>
</div><p>Worker agents, being stateless, receive instructions and context from the Orchestrator, execute a specific task, and return the output to the master clipboard before terminating or awaiting the next instruction. This architecture is inherently fault-tolerant. As Maraj points out, “If a worker bot crashes and restarts, it’s fine. It didn’t lose anything important because it wasn’t holding anything important.” The Orchestrator retains the complete history and context, allowing failed steps to be easily retried or re-assigned without losing critical progress. This is a fundamental divergence from earlier agent frameworks that often required persistent, stateful worker processes, making deployment and scaling difficult.</p>
<div class="lb-trans"><p>工作代理是無狀態的，從協調者接收指令和上下文，執行特定任務，然後在終止或等待下一個指令之前將輸出返回到主剪貼板。這種架構本質上是容錯的。正如 Maraj 所指出的，“如果一個工作機器人崩潰並重啓，那沒關係。它沒有丟失任何重要的東西，因為它沒有持有任何重要的東西。” 協調者保留完整的歷史和上下文，允許輕鬆重試或重新分配失敗的步驟，而不會丟失關鍵進展。這與早期的代理框架有根本的不同，後者通常需要持久的、有狀態的工作進程，使得部署和擴展變得困難。</p>
</div><p>The ADK further simplifies the orchestration layer by providing standardized patterns for managing workflow, such as the Sequential Agent (do step A, then B) and the Loop Agent (iterate step A until a condition is met). These patterns abstract away the complex logic of task routing and state persistence, allowing developers to focus purely on defining the workflow and the data structure of the state—the “clipboard”—that flows between agents. The emphasis, therefore, shifts from writing complex integration code to defining the precise data contracts (via A2A) and the high-level execution flow (via ADK patterns). For sophisticated AI ecosystems, defining what data needs to be saved—such as research findings and judge feedback—becomes the foundational step before any code is written. This disciplined approach promises to elevate AI agent construction from experimental scripting to industrial-grade, distributed systems engineering.</p>
<div class="lb-trans"><p>ADK 進一步簡化了編排層，通過提供標準化的工作流管理模式，如順序代理（執行步驟 A，然後是 B）和循環代理（迭代步驟 A 直到滿足條件）。這些模式抽象了任務路由和狀態持久化的複雜邏輯，使開發人員能夠專注於定義工作流和在代理之間流動的狀態數據結構——“剪貼板”。因此，重點從編寫複雜的集成代碼轉移到定義精確的數據合同（通過 A2A）和高層次的執行流程（通過 ADK 模式）。對於複雜的 AI 生態系統，定義需要保存的數據——如研究結果和評審反饋——成為在編寫任何代碼之前的基礎步驟。這種嚴謹的方法承諾將 AI 代理構建提升到從實驗腳本到工業級分佈式系統工程的水平。</p>
</div>

Decoupling AI Agents: Google Introduces the Agent-to-Agent Protocol

- 當前 AI 系統擴展的主要障礙是整合複雜性。  
- Amit Maraj 介紹了 A2A 協議和 ADK，旨在實現代理互操作性。  
- 該架構通過單一 Orchestrator 管理狀態，提高系統的靈活性和容錯性。

解耦 AI 代理：谷歌推出代理對代理協議