这是一个关于构建多智能体系统的系列文章的最后一篇。

• 系列回顾：

  • 第一部分介绍了单体 AI“大脑”的问题，并设计了专家团队代理的架构来支持“InstaVibe Ally”功能。
  • 第二部分深入探讨了模型上下文协议（MCP），展示了如何将平台交互代理连接到应用的现有 REST API 并将其转化为可重用工具。
• 当前问题：各代理处于孤立状态，无法协作，如社交分析代理无法将洞察提供给事件规划器，平台集成器无法与其他代理协作。

• A2A：给代理一个共享语言：

  • A2A 是用于代理之间发现、通信和委托任务的开放标准，不同于 MCP 用于代理与工具的通信。
  • MCP 如平台代理使用它连接到 MCP 服务器以访问“哑”工具（如 InstaVibe REST API），而 A2A 如协调器使用它连接到规划器代理，规划器代理有自己的语言模型等。
  • 使用 MCP 是让代理使用特定的预定义能力，使用 A2A 是让代理将复杂任务委托给有自己智能的其他代理。

• 实现 A2A：a2a-python 库的作用：

  • 使用 a2a-python 库将专家代理包装在 A2A 服务器中，创建代理卡（Agent Card），如规划器代理的代理卡包含其名称、描述、技能等信息，并在 Cloud Run 上启动服务器。
  • 协调器作为 A2A 客户端，初始化时获取其他专家代理的代理卡，通过 send_message 工具进行 A2A 调用，根据用户目标和代理卡信息智能地委托任务。
• 完整流程示例：用户在 InstaVibe 应用中请求在芝加哥为自己和朋友规划一个有趣的周末，应用调用运行在 Vertex AI Agent Engine 上的协调器代理，协调器代理依次调用社交代理获取朋友兴趣，再调用事件规划器代理根据兴趣规划事件，最后将规划结果呈现给用户，展示了多代理系统的协同工作。
• 系列结论：从简单想法到功能齐全的分布式 AI 系统，构建复杂 AI 系统需要像软件工程师一样思考，使用 MCP 和 A2A 等开放标准和框架可构建健壮、可扩展且可维护的系统，并提供了一个实践的“InstaVibe Multi-Agent” Google Codelab 用于从理论到实践的学习和构建。