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。
- 姊妹【概念侧】:多Agent协作范式七种与A2A协议(七种范式 + A2A 协议详解 + 业界生态)
- 姊妹【实现侧】:多Agent编排-LangGraph原生Supervisor与Swarm实现(LangGraph
create_supervisor/ 子图 / Command / Swarm 落地) - 燕头定位图:打开交互图
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。
| # | 协作方式 | 谁来调度 | 开放度 | 动态性 | 代表 |
|---|---|---|---|---|---|
| ① | Orchestrator / 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 |
| ③ | Swarm / 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 Card | Agent 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
- 今天(第8章已够):应用内四 Agent + Orchestrator + 一条硬编码
job_preparationPipeline。→ 功能确定、Agent 少、一个后端。 - 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。 - 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」)
- ➡️ 想看七种范式逐类详解 + A2A 协议代码 + 业界生态 → 多Agent协作范式七种与A2A协议
- ➡️ 想看用 LangGraph 原生 Supervisor / 子图 / Command / Swarm 落地同一套业务 → 多Agent编排-LangGraph原生Supervisor与Swarm实现
相关笔记
- 多Agent协作范式七种与A2A协议 — 概念侧子文档
- 多Agent编排-LangGraph原生Supervisor与Swarm实现 — 实现侧子文档
- 多Agent协作系统面试与架构解析 — 面试向的多 Agent 落地
- HITL 人工介入与决策发布(6.9-6.10) — 同书第 6 章 HITL 拆解