<p>整合多樣化的人工智能代理常常感覺不像是先進的軟件工程，而更像是試圖將一個外來插頭強行插入不兼容的插座。這種挫敗感表現為為將 Python 代理與 Node 後端連接而編寫的無盡 “膠水代碼”，這是谷歌雲最新架構提案所解決的核心難題。專門的大型語言模型（LLMs）的激增以及將它們組合成連貫的多步驟工作流的必要性，使得定製的集成方法變得過時，迫切需要一個為工業規模構建的通用接口。</p>
<p>谷歌雲的開發者倡導者 Amit Maraj 最近介紹了 Agent-to-Agent (A2A) 協議——一個旨在使人工智能代理能夠流暢溝通的基礎標準，類似於已建立的微服務。演示的重點是解決困擾複雜多代理系統的互操作性危機，這一挑戰如果不加以解決，將威脅到企業環境中複雜、可靠的人工智能應用的發展。該標準超越了簡單的 API 調用，定義了一個全面的合同，規定了人工智能組件如何發現和相互交互，無論其底層語言、框架或模型複雜性如何。</p>
<p>實現這種無縫通信的核心機制是 AgentCard。Maraj 強調，這個解決方案 “不是魔法，而是一個標準。” 每個 A2A 代理在一個特殊的端點提供一個標準化的身份證，通常位於<code>/well-known/agent.json</code>。這個 AgentCard 本質上是代理的個人資料，詳細説明了其名稱、描述、能力，以及至關重要的輸入和輸出模式。這種結構類似於 OpenAPI 規範（Swagger），但專門針對代理能力進行了定製，確保任何協調者——無論其自身的實現如何——都能準確理解代理的功能以及如何安全、可預測地與之交互。</p>
<p>A2A 的深遠意義在於其解耦機制。通過僅依賴標準化的 HTTP 接口和可發現的 AgentCard，協調者代理無需導入或理解其工作者的底層代碼或語言。這種分離為人工智能系統設計引入了前所未有的靈活性和模塊化。例如，一個開發團隊可以部署一個研究者代理，利用一個超快、廉價的模型進行初步數據檢索，而一個單獨的內容生成代理則由一個龐大、昂貴的推理模型驅動進行最終合成。這兩個代理儘管可能用完全不同的語言編寫，如 Python 和 Go，但通過 A2A 標準可以輕鬆溝通。正如 Maraj 所指出的，這實現了 “真正的微服務架構，但針對人工智能”，使工程師能夠優化單個組件的成本、速度或準確性，而不影響系統的完整性。</p>
<p>在這些多代理系統中實現穩定性和可擴展性需要明確的勞動分工，特別是在狀態管理方面。Maraj 概述的架構引入了協調者代理，作為一個 “項目經理”，持有一個 “主剪貼板” 來管理狀態。這個剪貼板包含了迄今為止生成或處理的每一條信息——任務的完整歷史上下文。</p>
<p>工作代理——例如研究者、評審者或寫作代理——被設計為無狀態的。如果一個工作代理崩潰並重新啓動，系統仍然保持彈性，因為協調者保留了完整的狀態。</p>
<p>這種無狀態設計為工作代理提供了關鍵的操作優勢，確保了抗崩潰能力並簡化了橫向擴展。工作代理只需出現，執行協調者基於當前剪貼板頁面分配的任務，並返回結果。它們是可替代的、可消耗的資源。代理開發工具包（ADK）通過提供管理剪貼板和定義明確工作流模式的工具來支持這種架構。ADK 提供了標準化的模式，如順序代理（執行步驟 A，然後是 B）和循環代理，允許代理在特定條件滿足之前對任務進行迭代，例如從評審者代理那裏獲得滿意的反饋，而不需要開發者硬編碼複雜的決策樹。</p>
<p>企業構建者的關鍵收穫是這一框架所施加的紀律：在編寫任何代碼之前，團隊必須定義剪貼板——確切地説，需要捕獲、保存和在代理之間轉移的數據。對於所示的示例工作流，這意味着明確地定義 “研究結果” 和 “評審反饋” 的結構。這種嚴謹確保了最終系統不僅是模塊化的，而且是高度可審計和可調試的，這對於關鍵任務的部署至關重要。通過採用 A2A 協議和協調者/無狀態工作者模式，組織可以將代理開發從脆弱的定製集成轉向為生產環境準備的強大、可互換的組件。</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）協議，這是一項旨在增強企業系統中 AI 代理之間通信的標準。該協議通過允許代理無縫互動，解決了互操作性問題，無論其底層技術如何。A2A 標準利用 AgentCard，詳細描述每個代理的能力和架構，促進 AI 系統設計的模塊化和靈活性。該架構包括一個協調者代理，負責管理狀態，確保系統的彈性和可擴展性。通過採用 A2A 協議，組織可以改善代理開發，朝着適合生產環境的強大、可互換組件邁進</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>整合多樣化的人工智能代理常常感覺不像是先進的軟件工程，而更像是試圖將一個外來插頭強行插入不兼容的插座。這種挫敗感表現為為將 Python 代理與 Node 後端連接而編寫的無盡 “膠水代碼”，這是谷歌雲最新架構提案所解決的核心難題。專門的大型語言模型（LLMs）的激增以及將它們組合成連貫的多步驟工作流的必要性，使得定製的集成方法變得過時，迫切需要一個為工業規模構建的通用接口。</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>谷歌雲的開發者倡導者 Amit Maraj 最近介紹了 Agent-to-Agent (A2A) 協議——一個旨在使人工智能代理能夠流暢溝通的基礎標準，類似於已建立的微服務。演示的重點是解決困擾複雜多代理系統的互操作性危機，這一挑戰如果不加以解決，將威脅到企業環境中複雜、可靠的人工智能應用的發展。該標準超越了簡單的 API 調用，定義了一個全面的合同，規定了人工智能組件如何發現和相互交互，無論其底層語言、框架或模型複雜性如何。</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>實現這種無縫通信的核心機制是 AgentCard。Maraj 強調，這個解決方案 “不是魔法，而是一個標準。” 每個 A2A 代理在一個特殊的端點提供一個標準化的身份證，通常位於<code>/well-known/agent.json</code>。這個 AgentCard 本質上是代理的個人資料，詳細説明了其名稱、描述、能力，以及至關重要的輸入和輸出模式。這種結構類似於 OpenAPI 規範（Swagger），但專門針對代理能力進行了定製，確保任何協調者——無論其自身的實現如何——都能準確理解代理的功能以及如何安全、可預測地與之交互。</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 的深遠意義在於其解耦機制。通過僅依賴標準化的 HTTP 接口和可發現的 AgentCard，協調者代理無需導入或理解其工作者的底層代碼或語言。這種分離為人工智能系統設計引入了前所未有的靈活性和模塊化。例如，一個開發團隊可以部署一個研究者代理，利用一個超快、廉價的模型進行初步數據檢索，而一個單獨的內容生成代理則由一個龐大、昂貴的推理模型驅動進行最終合成。這兩個代理儘管可能用完全不同的語言編寫，如 Python 和 Go，但通過 A2A 標準可以輕鬆溝通。正如 Maraj 所指出的，這實現了 “真正的微服務架構，但針對人工智能”，使工程師能夠優化單個組件的成本、速度或準確性，而不影響系統的完整性。</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>在這些多代理系統中實現穩定性和可擴展性需要明確的勞動分工，特別是在狀態管理方面。Maraj 概述的架構引入了協調者代理，作為一個 “項目經理”，持有一個 “主剪貼板” 來管理狀態。這個剪貼板包含了迄今為止生成或處理的每一條信息——任務的完整歷史上下文。</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、評審者或寫作代理——被設計為無狀態的。如果一個工作代理崩潰並重新啓動，系統仍然保持彈性，因為協調者保留了完整的狀態。</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>這種無狀態設計為工作代理提供了關鍵的操作優勢，確保了抗崩潰能力並簡化了橫向擴展。工作代理只需出現，執行協調者基於當前剪貼板頁面分配的任務，並返回結果。它們是可替代的、可消耗的資源。代理開發工具包（ADK）通過提供管理剪貼板和定義明確工作流模式的工具來支持這種架構。ADK 提供了標準化的模式，如順序代理（執行步驟 A，然後是 B）和循環代理，允許代理在特定條件滿足之前對任務進行迭代，例如從評審者代理那裏獲得滿意的反饋，而不需要開發者硬編碼複雜的決策樹。</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>企業構建者的關鍵收穫是這一框架所施加的紀律：在編寫任何代碼之前，團隊必須定義剪貼板——確切地説，需要捕獲、保存和在代理之間轉移的數據。對於所示的示例工作流，這意味着明確地定義 “研究結果” 和 “評審反饋” 的結構。這種嚴謹確保了最終系統不僅是模塊化的，而且是高度可審計和可調試的，這對於關鍵任務的部署至關重要。通過採用 A2A 協議和協調者/無狀態工作者模式，組織可以將代理開發從脆弱的定製集成轉向為生產環境準備的強大、可互換的組件。</p>
</div>

AI Agent Microservices: Introducing the A2A Protocol for Enterprise Systems

- Google Cloud 提出 Agent-to-Agent (A2A) 協議，以解決多智能體系統的互操作性危機。  
- A2A 通過標準化的 AgentCard，簡化了 AI 組件之間的通信、互動方式。  
- 引入無狀態設計的工作代理，提升了系統的穩定性和擴展性。

AI 代理微服務：推出用於企業系統的 A2A 協議