详解A2A(Agent2Agent)协议，非常详细收藏我这一篇就够！

最新推荐文章于 2025-04-24 09:00:00 发布
最新推荐文章于 2025-04-24 09:00:00 发布
阅读量2.6k 收藏 28
点赞数 17
文章标签： 大模型 AI 程序员 Agent A2A 大模型教程 AI大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84494441/article/details/147195047
版权

什么是 A2A 协议

A2A（Agent2Agent）协议 是由 Google Cloud 推出的一个开放协议，旨在促进不同 AI 代理之间的互操作性。其主要目标是允许这些代理在动态的、多代理的生态系统中进行有效的通信和协作，无论它们是由不同的供应商构建的还是使用不同的技术框架。

A2A 的设计原则总结

A2A（Agent2Agent）协议的设计原则旨在提升代理之间的协作能力，确保灵活性、安全性和与现有系统的兼容性。以下是这些原则的综合总结：

  1. 1. 拥抱代理能力

    • • 允许代理在其自然、非结构化的模式下进行协作，无需共享内存、工具或上下文，从而实现真实的多代理场景。

  2. 2. 基于现有标准构建

    • • 协议建立在广泛接受的技术标准之上，如 HTTP、SSE 和 JSON-RPC，便于与企业现有的 IT 堆栈集成。

  3. 3. 默认安全

    • • 设计支持企业级身份验证和授权，确保只有经过授权的用户和系统可以访问代理，增强了系统的安全性。

  4. 4. 支持长时间运行的任务

    • • 灵活支持从快速任务到复杂研究的多种场景，能够在任务执行过程中提供实时反馈、通知和状态更新。

  5. 5. 模态无关

    • • 支持多种交互形式，包括文本、音频和视频流、form 、 iframe 等，增强了代理的交互能力和适应性。

整体看下来，协议在开放性、安全性、灵活性上考虑得比较多。这些点都是 MCP 有所不足的。和 MCP 的对比我们放在最后。先说正题——详解A2A

A2A 的参与者

A2A 协议有三个参与者：

  • • 用户（User）：使用代理系统完成任务的用户（人类或服务）

  • • 客户端（Client）：代表用户向不透明代理（服务、代理、应用程序）请求操作的实体。

  • • 服务端（Server）：不透明（黑盒）的远程代理，即 A2A 服务器。

参考如下的图

图片

通过上面的图，我们可以清晰地看到三个参与者的位置，对比之前 MCP 参与者，缺少一个 Host 的参与者。这个是设计思路上的不同，是要开放实现，还是规范一个机制，在 A2A 的实现中，安全等因素，已经通过别的方式实现，但确实User 如何发现需要的 Agent，是一个遗留的问题。

A2A 核心概念

AgentCard

AgentCard 是一个 JSON 文件，描述了 Agent 提供了什么样的功能，官方建议托管在https:// base url /.well-known/agent.json。
这样就可以直接通过 HTTP GET 获取 AgentCard，得到有关 Agent 的描述。

一个自然的引申是：需要注册表，无论是公开的、还是隐私的。这样方便查找 Agent 。

但另一个方面，注册表也可以是去中心化的。我们想象这样一个场景：每一个网站都有一个https:// base url /.well-known/agent.json，描述了自己可以做什么，然后在一个 P2P 的网络中，不断的广播自己的 AgentCard ——甚至这些 AgentCard，可以放在 IPFS 、或者以太坊上，这样 Agent 的协作关系，就构成了一个自组织的 Agent 网络。

回到 A2A，一个 AgentCard 的定义如下：

// An AgentCard conveys key information:
// - Overall details (version, name, description, uses)
// - Skills: A set of capabilities the agent can perform
// - Default modalities/content types supported by the agent.
// - Authentication requirements
interface AgentCard {
  // Human readable name of the agent.
  // (e.g. "Recipe Agent")
  name: string;
  // A human-readable description of the agent. Used to assist users and
  // other agents in understanding what the agent can do.
  // (e.g. "Agent that helps users with recipes and cooking.")
  description: string;
  // A URL to the address the agent is hosted at.
  url: string;
  // The service provider of the agent
  provider?: {
    organization: string;
    url: string;
  };
  // The version of the agent - format is up to the provider. (e.g. "1.0.0")
  version: string;
  // A URL to documentation for the agent.
  documentationUrl?: string;
  // Optional capabilities supported by the agent.
  capabilities: {
    streaming?: boolean; // true if the agent supports SSE
    pushNotifications?: boolean; // true if the agent can notify updates to client
    stateTransitionHistory?: boolean; //true if the agent exposes status change history for tasks
  };
  // Authentication requirements for the agent.
  // Intended to match OpenAPI authentication structure.
  authentication: {
    schemes: string[]; // e.g. Basic, Bearer
    credentials?: string; //credentials a client should use for private cards
  };
  // The set of interaction modes that the agent
  // supports across all skills. This can be overridden per-skill.
  defaultInputModes: string[]; // supported mime types for input
  defaultOutputModes: string[]; // supported mime types for output
  // Skills are a unit of capability that an agent can perform.
  skills: {
    id: string; // unique identifier for the agent's skill
    name: string; //human readable name of the skill
    // description of the skill - will be used by the client or a human
    // as a hint to understand what the skill does.
    description: string;
    // Set of tagwords describing classes of capabilities for this specific
    // skill (e.g. "cooking", "customer support", "billing")
    tags: string[];
    // The set of example scenarios that the skill can perform.
    // Will be used by the client as a hint to understand how the skill can be
    // used. (e.g. "I need a recipe for bread")
    examples?: string[]; // example prompts for tasks
    // The set of interaction modes that the skill supports
    // (if different than the default)
    inputModes?: string[]; // supported mime types for input
    outputModes?: string[]; // supported mime types for output
  }[];
}

内容很长，但是比较简单，我们用下图来表示：

图片

Task（任务）

任务是一个有状态的实体，允许客户端与远程代理协作以达成特定的结果并生成相应的输出。在任务内，客户端与远程代理之间会交换消息，远程代理则生成工件作为结果（代理即是 Agent）。

任务始终由客户端创建，而其状态则由远程代理决定。如果客户端需要，多个任务可以归属于同一个会话（通过可选的 sessionId 表示）。在创建任务时，客户端可以设置这个可选的 sessionId。

代理收到请求之后，可以采取以下几种行动：

  • • 立即满足请求

  • • 安排稍后执行的工作

  • • 拒绝请求

  • • 协商不同的执行方式

  • • 向客户端索要更多信息

  • • 委派给其他代理或系统

即使在完成目标后，客户端仍然可以请求更多信息或在同一任务的上下文中进行更改。例如，客户端可以请求：“画一只兔子的图片”，代理回应：“<图片>”，随后客户端又可以要求：“把它画成红色”。

任务不仅用于传递工件（结果）和消息（思考、指令等），还维护着任务的状态及其可选的历史记录，包括状态变化和消息记录。

这些特性非常重要，尤其是同一个任务的上下文，可以进行多轮的对话，这些状态，还有历史记录，都有保存，这个非常匹配现在以 Chat 形式为主的AI 交互。

任务的定义如下：

interface Task {
  id: string; // unique identifier for the task
  sessionId: string; // client-generated id for the session holding the task.
  status: TaskStatus; // current status of the task
  history?: Message[];
  artifacts?: Artifact[]; // collection of artifacts created by the agent.
  metadata?: Record<string, any>; // extension metadata
}
// TaskState and accompanying message.
interface TaskStatus {
  state: TaskState;
  message?: Message; //additional status updates for client
  timestamp?: string; // ISO datetime value
}
// sent by server during sendSubscribe or subscribe requests
interface TaskStatusUpdateEvent {
  id: string;
  status: TaskStatus;
  final: boolean; //indicates the end of the event stream
  metadata?: Record<string, any>;
}
// sent by server during sendSubscribe or subscribe requests
interface TaskArtifactUpdateEvent {
  id: string;
  artifact: Artifact;
  metadata?: Record<string, any>;
}
// Sent by the client to the agent to create, continue, or restart a task.
interface TaskSendParams {
  id: string;
  sessionId?: string; //server creates a new sessionId for new tasks if not set
  message: Message;
  historyLength?: number; //number of recent messages to be retrieved
  // where the server should send notifications when disconnected.
  pushNotification?: PushNotificationConfig;
  metadata?: Record<string, any>; // extension metadata
}
type TaskState =
  | "submitted"
  | "working"
  | "input-required"
  | "completed"
  | "canceled"
  | "failed"
  | "unknown";

Artifact(工件)

工件是代理作为任务最终结果生成的输出。工件具有不可变性，可以被命名，并且可以包含多个部分。通过流式响应，可以将新部分附加到现有的工件中。

一个任务可以生成多个工件。例如，当执行“创建一个网页”时，可能会产生单独的 HTML 工件和图像工件。

不得不说 A2A 出现的时机很准确，现在 AI 的一些主要的应用的形式，在协议定义上都包括了。Artifact就是很火的一个形式。

具体的定义：

interface Artifact {
  name?: string;
  description?: string;
  parts: Part[];
  metadata?: Record<string, any>;
  index: number;
  append?: boolean;
  lastChunk?: boolean;
}

Message(消息)

消息是包含任何非工件内容的实体。这些内容可以包括代理的思考、用户的上下文、指令、错误信息、状态更新或元数据。

所有来自客户端的内容均以消息的形式发送。代理通过消息来传达状态或提供指令，而生成的结果则以工件的形式发送。

消息可以包含多个Part(片段)，以表示不同类型的内容。例如，一个用户请求可能包括用户的文本描述以及多个用于上下文的文件。

定义如下：

interface Message {
  role: "user" | "agent";
  parts: Part[];
  metadata?: Record<string, any>;
}

Part(片段)

Part是客户端与远程代理之间作为消息或工件一部分交换的完整内容。每个Part都有其独特的内容类型和元数据。

以下是不同类型部分的接口定义：

文本部分（TextPart）
interface TextPart {
type: "text";
text: string;
}
文件部分（FilePart）
interface FilePart {
type: "file";
file: {
  name?: string;
  mimeType?: string;
  // 可能的内容
  // oneof {
  bytes?: string; // base64 编码的内容
  uri?: string;
  //}
};
}
数据部分（DataPart）
interface DataPart {
type: "data";
data: Record<string, any>;
}
综合类型
type Part = (TextPart | FilePart | DataPart) & {
metadata: Record<string, any>;
};

更多的消息的细节，参考链接：https://a2aprotocol.ai/blog/a2a-sample-methods-and-json-responses

通信机制与异步支持

A2A 支持以下的通信机制：

  • • A2A 支持安全的推送通知机制，允许代理在不连接的情况下向客户端发送更新。

  • • 客户端和服务器可以使用标准请求/响应模式，也可以通过 SSE 进行流式更新。

    图片

在推送通知时，代理需要验证通知服务的身份，并使用受信任的凭证进行身份验证，以确保通知的安全性。
基于以上的通信机制，A2A 支持客户端在处理长时间运行的任务时进行轮询，代理也可以通过 SSE 向客户端推送状态更新。

这里，最重要的是异步的支持，client 可以通过类似注册一个 webhook，异步的获取长时间运行任务的结果——就是PushNotification 相关的实现。目前大家在使用 LLMs API 的时候，都会遇到一个问题，就是输出太慢了，而且输出的过程中，并不能做别的事情。如果有了异步的回调，或者轮询、重新订阅，那么就可以在 client 的开发上，更加灵活，可以给用户带来更好的体验。

以下是推送的定义：

interface PushNotificationConfig {
  url: string;
  token?: string; // token unique to this task/session
  authentication?: {
    schemes: string[];
    credentials?: string;
  };
}
interface TaskPushNotificationConfig {
  id: string; //task id
  pushNotificationConfig: PushNotificationConfig;
}

错误处理（Error Handling）

错误消息格式

以下是服务器在处理客户端请求时遇到错误时响应客户端的 ErrorMessage 格式：

interface ErrorMessage {
code: number;
message: string;
data?: any;
}

标准 JSON-RPC 错误代码

以下为服务器在错误场景中可以响应的标准 JSON-RPC 错误代码：

错误代码信息描述
-32700JSON parse error无效的 JSON 被发送
-32600Invalid Request请求负载验证错误
-32601Method not found非法方法
-32602Invalid params无效的方法参数
-32603Internal error内部 JSON-RPC 错误
-32000 to -32099Server error保留供实现特定错误代码使用
-32001Task not found找不到提供的 ID 的任务
-32002Task cannot be canceled无法由远程代理取消任务
-32003Push notifications not supported推送通知由代理不支持
-32004Unsupported operation操作不支持
-32005Incompatible content types客户端与代理之间的内容类型不兼容

动手实践

我把官方的 ts 的示例进行了修改，支持了 OpenRouter，主要是改动了兼容 OpenAI 的 API 形式。代码在这里：https://github.com/sing1ee/a2a-agent-coder

我是在 Mac 环境下进行的，打开你最爱的终端：

  1. 1. 安装 Bun

brew install oven-sh/bun/bun # 针对 macOS 和 Linux

  1. 2. 克隆仓库

git clone git@github.com:sing1ee/a2a-agent-coder.git

  1. 3. 安装依赖

cd a2a-agent-coder
bun i

  1. 4. 配置环境变量
    参考***.env.example创建一个.env***文件，内容如下：

OPENAI_API_KEY=sk-or-v1-xxxxxxx
OPENAI_BASE_URL=https://openrouter.ai/api/v1
OPENAI_MODEL=anthropic/claude-3.5-haiku

我用的是 OpenRouter，支付方便，模型众多。大家尝试的话，可以注册一个 OpenRouter，即使没有充值，可以有每天 50 次免费模型的额度，例如deepseek/deepseek-chat-v3-0324:free
让环境变量生效

export $(cat .env | xargs)

  1. 5. 运行 A2A Server

bun run agents:coder

  1. 6. 再打开一个新的终端，运行 A2A Client，这里不需要配置 env

bun run a2a:cli

以下是我之前运行的结果：

bun run a2a:cli

# result
$ bun x tsx src/cli.ts
A2A Terminal Client
Agent URL: http://localhost:41241
Attempting to fetch agent card from: http://localhost:41241/.well-known/agent.json
✓ Agent Card Found:
  Name:        Coder Agent
  Description: An agent that generates code based on natural language instructions and streams file outputs.
  Version:     0.0.1
Starting Task ID: a1a608b3-3015-4404-a83f-6ccc05083761
Enter messages, or use '/new' to start a new task.
Coder Agent > You: implement binary search
Sending...

Coder Agent [4:28:00 PM]: ⏳ Status: working
  Part 1: 📝 Text: Generating code...

Coder Agent [4:28:02 PM]: ⏳ Status: working
  Part 1: 📄 File: Name: src/algorithms/binary_search.py, Source: """
Implementation of the binary search algorithm in Python.
"""

def binary_search(arr, target):
    """
    Performs a binary search on a sorted array to find the index of a target value.

    Args:
        arr (list): A sorted list of elements.
        target: The value to search for in the array.

    Returns:
        int: The index of the target value if found, otherwise -1.
    """
    low = 0
    high = len(arr) - 1

    while low <= high:
        mid = (low + high) // 2  # Integer division to find the middle index

        if arr[mid] == target:
            return mid  # Target found at index mid
        elif arr[mid] < target:
            low = mid + 1  # Target is in the right half
        else:
            high = mid - 1  # Target is in the left half

    return -1  # Target not found in the array


Coder Agent [4:28:02 PM]: ✅ Status: completed
SSE stream finished for method tasks/sendSubscribe.
--- End of response for this input ---
Coder Agent > You:
Exiting terminal client. Goodbye!

运行过程的流程图如下：

图片

目前非程序员用户想体验，还需要耐心等待，也可以借助 Cursor 等试一试。

A2A 与 MCP 比较

这个问题，很多人关心，我大概做了一个总结：

特性A2AMCP
主要用途代理间通信和协作为模型提供工具和上下文，连接外部资源
核心架构客户端-服务器（代理-代理）客户端-主机-服务器（应用-LLM-外部资源）
标准接口JSON 规范、代理卡、任务、消息、工件JSON-RPC 2.0、资源、工具、记忆、提示
关键特性多模态、动态协作、安全性、任务管理、能力发现模块化、安全边界、可重用连接器、SDK、工具发现
通信协议HTTP, JSON-RPC, SSEJSON-RPC 2.0 over stdio, HTTP with SSE
性能重点异步通信，处理负载高效上下文管理、并行处理、缓存以提高吞吐量
采用与社区初期行业支持良好，新兴生态系统行业广泛采用，社区快速增长

同时，我也在做一些思考，

  • • 我们要如何区分 Agent 和 Tools？真的有绝对的边界么？

  • • 目前从技术上看，A2A 适应的场景更多，包括了 MCP 的场景

  • • 如果未来 Agent 很多，以及 MCP server 很多，会构成一个什么样的网络呢？前者更倾向于去中心化的，后者更倾向于中心化的。前者更倾向于分散自治，后者是集中的管理。

都在思考中，需要更多的实践。

 

 如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。


👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。


1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

【大模型应用开发 动手做AI Agent】Agent即服务（Agent as a Service, AaaS）
AI天才研究院
07-17 979
随着人工智能技术的飞速发展，AI Agent作为一种能够自主学习和执行任务的实体，逐渐成为研究的热点。然而，如何将AI Agent应用于实际场景，并实现高效、可扩展的服务，成为了当前亟待解决的问题。感知与学习：通过传感器获取环境信息，并根据经验进行学习，提高Agent的智能水平。推理与决策：根据感知到的信息和知识库，进行推理和决策，确定行动策略。行动与反馈：根据决策执行行动，并根据环境反馈调整策略。本文介绍了AI Agent即服务的基本概念、核心算法、实际应用场景和未来发展趋势。
主流智能体协议大对比：MCP、ANP、A2A概念、区别与联系一文看懂！
2401_85375151的博客
04-10 1418
通过MCP，用户可以将AI助手与外部数据源和工具连接，构建个性化的AI工作流。
一文读懂A2A！1个协议，让智能体们终于能好好说话了
weixin_59191169的博客
04-14 972
A2A（Agent-to-Agent）协议，简单说就是。
复杂任务需要多agent协同处理，对其进行逻辑编排和参数调用
主攻大数据 人工智能 物联网 安全 低空经济等方向。mtsc 、gtest特邀分享嘉宾
03-24 892
通过以上方案，可实现分钟级构建多Agent协同系统，平均任务延迟<50ms（基准测试数据）。建议从LangChain开始原型验证，再逐步迁移到Temporal等生产级工具。发布事件(Task1_Done)写入中间结果{key:123}触发任务(读取key:123)获取参数(key:123)启动任务(输入参数)
一文彻底搞懂谷歌的Agent2Agent（A2A）协议
强化学习曾小健
04-11 926
Agent2Agent (A2A) 框架的核心在于其定义的一系列标准化技术组件，旨在确保异构AI智能体（Agent）之间能够进行有效、可靠且安全的互操作。
谷歌发布革命性A2A协议：让不同供应商的AI Agent实现无缝协作！
m0_65555479的博客
04-11 752
谷歌的“MCP”，以及刚发布的 A2A（Agent2Agent）协议，标志着 AI 多代理协作进入新阶段。通过在开放协议层面实现通用互操作，各类 AI Agent 能够在更广泛的业务场景中高效协同，从而为企业带来颠覆性的自动化与创新价值。
谷歌这次野心不小，试图为 AI 智能体互联制定行业标准
weixin_51674085的博客
04-10 328
Agent2Agent（A2A）[1]是谷歌最新发布的开放协议，该协议弥补 MCP 协议，实现不同生态系统中的智能体（Agent）之间的无缝通信与协作。xAI 现已公开发布 Grok-3 API，包括 Grok-3 和 Grok-3 mini 两个系列，每个系列都提供了 fast 版本。之前我就觉得MCP的 stdio 的门槛对非开发者门槛太高，要么需要 node 环境要么需要 py 环境，现在可以试试了。Orpheus TTS 是一个支持多语言的开源文本转语音模型，支持商用，不过中文效果一般。
Agent2Agent(A2A)协议介绍
Guzith的博客
04-11 856
谷歌在Google Cloud Next 25大会上（4月9号），开源了首个标准智能体交互协议Agent2Agent Protocol（简称A2A）。这是一种开放式互操作性协议，旨在实现跨不同框架和供应商的 AI 代理之间的无缝协作。A2A 得到了包括 Salesforce、SAP、ServiceNow 和 MongoDB 在内的 50 多家技术合作伙伴的支持，为 AI 代理提供了一个通用框架，使其能够安全地交换信息、协调行动并跨企业平台集成。
大模型 | 谷歌发布Agent2Agent（A2A）协议：AI智能体的「通用语言」
Code1994的博客
04-11 1205
今天凌晨，谷歌在Google Cloud Next大会上发布了Agent2Agent（A2A）协议，这一技术标准被业界称为“AI智能体协作的里程碑”。与过往聚焦应用场景的AI协议不同，A2A直指智能体互操作的核心技术难题。本文将从协议架构、协作机制、安全设计等维度，拆解其背后的技术革命。
认识谷歌 A2A：将颠覆多智能体 AI 系统的协议
2401_84204413的博客
04-15 1005
近日谷歌在 Cloud Next 25 大会上开源的 Agent2Agent（A2A）协议，无疑成为了该领域一颗耀眼的新星，引发了广泛关注和热议。这一协议被寄予厚望，有望如同一把神奇的钥匙，开启多智能体 AI 系统高效协作的全新大门，彻底改变当前人工智能应用的格局。
A2A协议实现详解及示例
程序员陆通
04-14 552
A2A (Agent2Agent) 是Google推出的一个开放协议，旨在使AI智能体能够安全地相互通信和协作。该协议打破了孤立智能体系统之间的壁垒，实现了复杂的跨应用自动化。[1]A2A协议的核心目标是让不同的AI代理能够相互通信、安全地交换信息以及在各种企业平台或应用程序上进行协调工作。这种协议为代理间通信提供了标准化的方式，类似于人们之间交流的规则。[4]
本地部署大模型？看这篇就够了，Ollama 部署和实战
2401_85373898的博客
11-13 2127
如果要使用的模型不在 Ollama 模型库怎么办？至此，我们一起走完了 Ollama 的部署和实战流程。在我看来，Ollama 也许是目前最便捷的大模型部署和使用工具，对小白非常友好。简单的命令行操作，用户即可快速启动和管理模型，极大降低了技术门槛，用户可以专注于模型的应用，而无需关注底层技术细节。此外，Ollama 的离线运行也为数据安全提供了保障。期待大家在使用 Ollama 的过程中，发现更多有趣的 AI 应用场景。让我们一起推动大模型技术的应用落地，探索更广阔的可能性！
user-agent(未解析)
04-09
未解析出来的UA信息
AI：详解MCP与A2A协议
最新发布
Kant2048的博客
04-24 1272
Agent-to-Agent（A2A）协议，旨在解决 AI 智能体之间的通信与协作问题。与此同时，Model Context Protocol（ MCP）为 AI 智能体提供了与外部工具和数据源交互的标准。​​
Agent2Agent（A2A）开放协议：构建智能代理协同生态的标准架构
fudaihb的博客
04-17 1378
Agent2Agent（A2A）开放协议是一种为智能代理之间的协同工作而设计的标准化通信协议。其核心目标是打破传统的孤立AI模型局限，通过统一接口使得不同智能代理能够相互发现、调用和共享任务。函数/任务描述：为每个可调用的任务或接口定义名称、描述、参数格式以及返回格式；消息传输标准：采用标准化的数据交换格式（如 JSON-RPC 2.0）确保各模块之间的互操作性；安全机制：内置身份认证、访问控制与数据加密机制，保障通信安全；上下文管理。
【大模型应用开发 动手做AI Agent】多Agent协作
AI天才研究院
06-27 569
在现代信息技术快速发展的背景下，单个智能体（Agent）已经不足以解决复杂环境下的决策问题。面对大型数据集、复杂的规则体系、动态变化的环境等因素，多Agent协同工作成为了提高智能系统效率和效果的关键。这种基于群体智能的思想，在人工智能研究领域得到了广泛关注。多Agent系统是指一组拥有自主行为能力的实体集合，它们相互之间存在信息交换或协作关系，共同完成特定目标。每个Agent都具备独立的学习能力和适应能力，能够根据环境变化调整自己的行为策略。
【大模型应用开发 动手做AI Agent】Agent即服务
AI天才研究院
07-22 940
【大模型应用开发 动手做AI Agent】Agent即服务 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来
Google 开源 A2A协议！一文详解MCP+A2A
weixin_59191169的博客
04-15 1520
A2A协议通过标准化智能体协作机制，为多智能体系统的落地提供了技术基础。其与MCP的互补关系，标志着AI生态从“工具赋能”向“团队协作”的升级。随着更多企业加入，A2A有望成为智能体经济的“通用语言”，但生态竞争与标准化进程仍是关键挑战。
“谷歌版 MCP”来了！重磅开源 A2A 智能体交互新架构
EnjoyEDU的博客
04-11 996
A2A 和 MCP 是推动 AI 智能体（Agent）实现更高级互操作性的两个关键协议。MCP 专注于智能体与工具或资源的连接，标准化了函数调用过程；相对地，A2A 专注于智能体之间的自然协作和交流。这两个协议相辅相成，共同构成了未来复杂智能体应用的基础设施。对于 AI 学习者来说，持续关注并理解这些协议的发展至关重要。这将帮助我们更好地掌握 AI 智能体技术的趋势，参与创造下一代智能应用程序。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值