多 Agent 协作方式全景与 A2A · 综合笔记(08章)

这是 08章 的综合笔记(总览/枢纽)

第 8 章(EduAgent 把简历/问答/批改/面试四个 Agent 拧成一个系统)的全部回顾,以此篇为总入口。它回答三个宏观问题:(1) 多智能体有哪些协作范式?(2) 本章的 Orchestrator 与 Google A2A 协议如何对比、互补?(3) 业界现在最流行哪种、为什么?

本篇 = 提炼 + 导航:厚度在两个子文档里,这里给定位图 + 主线 + 结论。


1. 多 Agent 协作的四个标尺

判断任何多 Agent 系统「长什么样」,看四个维度即可(全文标尺):

维度问题取值例子
通信方式Agent 之间怎么传信息?进程内函数调用 / 消息总线 / 开放网络协议(A2A)
编排方式谁决定「下一个该谁干活」?中心调度器 / 协商群聊 / 编译期图
发现方式A 怎么知道「该找谁」?硬编码映射 / 注册表 / 动态目录(Agent Card)
开放度应用内 vs 跨应用?同框架同进程 / 不同厂商不同框架

💡 第 8 章、A2A、以及全部七种业界范式,本质都是这四个维度上的不同取值。


2. 一张定位图看懂七种协作方式

下面是整章的「坐标系」:横轴 = 编排重心(静态/硬编码 → 动态/协商),纵轴 = 开放度(应用内 → 跨应用)。三个 ★ 是 8 章重点对比对象。

打开交互图

#协作方式谁来调度开放度动态性代表
①Orchestrator / Supervisor中心调度器应用内低(多硬编码)第8章、 LangGraph supervisor、CrewAI
②主 Agent + 子 Agent 池一个主 Agent应用内高(运行时 spawn)Claude Code、Codex、OpenCode
③Swarm / Handoff(对等移交)对等移交应用内中OpenAI Swarm、langgraph-swarm
④图 / DAG 流水线编译期图应用内低LangGraph、Temporal
⑤群聊 / 黑板协商式应用内中Microsoft Agent Framework(原 AutoGen GroupChat)
⑥分层 Supervisor层级树应用内中Bedrock、LangGraph 嵌套、Claude Agent SDK
⑦联邦 / 开放协议去中心 / 协议跨应用高A2A + MCP

3. 主线对照:一个「导演」,一个「外交协议」

本章实现 = 应用内 Orchestrator(中心化编排队,hub-and-spoke)

  • 统一入口 unified_chat.py(_pre_filter 零 Token 拦截 + _llm_route 判 6 类意图)+ 编排器 orchestrator.py(中心派活、_run_pipeline 串联、8 种 SSE 事件对前端分发)。
  • 封闭、自包含、写死:Pipeline 定义({"job_preparation":[RESUME,INTERVIEW]})和 label 映射表都是硬编码——高效、可控、省,但只在「这个剧组」内有效。

A2A 协议 = 跨应用互操作协议(外交规则)

  • Google 2025-04 发起、捐给 Linux Foundation;开放 JSON-RPC 2.0(HTTP/SSE/WS)+ Agent Card 动态发现 + Task/Message/Artifact 状态机。
  • 开放、标准、框架无关,但不解决「内部怎么编排」。

二者互补,不是二选一:对内(同框架同进程)用 Orchestrator;对外(跨系统互操作)用 A2A。一句话——

MCP 管「Agent↔工具」,A2A 管「Agent↔Agent」,应用内部怎么编排是你自己的事。


4. A2A 四概念 + 安装(速记)

概念一句话类比
Agent CardAgent 的名片:能力清单 + 入口 + 鉴权;/.well-known/agent.json 发现餐馆菜单
Task一次任务:id + 状态机(submitted→working→…)一单外卖
Message一次对话:role + parts(Text/File/Data)一张纸条
Artifact任务产出的文件/结构化数据外卖送到的东西
  • 安装:pip install a2a-sdk(官方包;别装成 python-a2a,那是第三方社区库——已在 PyPI 核实,见姊妹文档示例③)。
  • 最该学会看的是 wire 协议(JSON-RPC message/send):它永不变化,是理解 A2A 的地基。

5. 业界最流行的是哪种?(结论)

当前最流行的是 ② 单一主 Agent + 动态子 Agent 池——AI-Coding(Claude Code / Codex / OpenCode)用实践证明了它是「最被验证、最灵活」的形态;第 8 章的 Orchestrator 是它的「静态版」。

  • 单应用内 → 主 Agent + 子 Agent 池最流行;
  • 跨系统 → A2A + MCP(2025 以来确立的标准组合);
  • 框架生态 → LangGraph(当前生产足迹最大)、CrewAI、Microsoft Agent Framework。

升华一句:多 Agent 的最高价值不在「有多少个 Agent」,而在「有一个聪明的调度者,能动态地、按需地把活分给一批临时子 Agent」。


6. 给 EduAgent 的三档演进建议

  1. 今天(第8章已够):应用内四 Agent + Orchestrator + 一条硬编码 job_preparation Pipeline。→ 功能确定、Agent 少、一个后端。
  2. 明天(动态化):把硬编码 Pipeline 升级为「主 Agent 动态编排」(运行时决定子 Agent 组成与顺序),新增能力不用改 _pipelines。→ Agent 增多、需求多变。
  3. 后天(对外开放):用 A2A + MCP 把每个能力(简历审查/模拟面试/QA 问答)发成 Agent Card,实现跨系统互操作。→ 平台化、生态化。

章节回顾

  • 四标尺:通信 / 编排 / 发现 / 开放度——一切协作范式都是这四个维度上的取值。
  • 第 8 章 = 应用内 Orchestrator:封闭、自包含、写死;但又对又务实,适合教学与中小系统。
  • A2A = 跨应用互操作协议:Agent Card 动态发现 + JSON-RPC 状态机;与 MCP 互补(MCP 管 Agent↔Tool,A2A 管 Agent↔Agent)。
  • 七种范式:Orchestrator / 主Agent+子Agent池 / Handoff / 图DAG / 群聊黑板 / 分层Supervisor / 联邦开放协议。
  • 最流行 = 主 Agent + 子 Agent 池:AI-Coding 用实践验证;第 8 章是它的静态版。

子文档导航(本篇的两个「深度文档」)

相关笔记