A2A 协议（Agent-to-Agent Protocol）

1. 3 秒看懂

A2A（Agent-to-Agent）协议是一套标准化的智能体间通信与协作规则，它让不同厂商、不同框架开发的AI智能体能够相互发现、安全通信、协商任务并协同完成复杂工作。其核心目标是构建一个开放、可互操作的“智能体互联网”——类似于TCP/IP协议之于传统互联网、SMTP协议之于电子邮件系统，A2A协议是AI智能体从“单兵作战”走向“群体协同”的底层通道。

该概念于2025年因Google在I/O大会上正式发布Project A2A开源协议倡议而被推向产业焦点。当前中国信通院也已牵头成立A2A协议推进组，推动国内标准研究与产业共识。

2. 3 分钟产业解释

2.1 概念的内涵与外延

A2A协议并非某个具体产品的名称，而是一类技术规范的统称。它为异构AI智能体提供了标准化的“工作语言”与“交通规则”，解决的是三个层面的核心问题：

发现性——智能体如何让其他智能体知道自己的存在、能力和访问方式； 互操作性——两个从未“见面”的智能体如何理解对方的任务请求、数据格式和执行反馈； 安全性——在开放网络中，如何验证智能体的身份、控制能力调用权限、防止指令劫持和隐私泄露。

产业界目前的共识是将A2A定位为AI中间件层的基础协议。它工作在现有网络通信协议（HTTP/S、WebSocket、gRPC等）之上，为大模型能力与上层复杂应用之间提供标准化的连接管道。

2.2 产业逻辑：为什么需要A2A？

2024-2025年，行业观察到三个并行趋势催生了A2A协议诉求：

趋势一：智能体数量爆发。 据MarketsandMarkets于2024年8月发布的报告，全球AI Agent市场预计从2024年的约51亿美元增长至2030年的约471亿美元（复合年增长率约44.8%）。智能体将大量存在于企业内部系统、SaaS平台、个人设备中，彼此孤立将严重限制价值释放。

趋势二：单智能体能力天花板显现。 单一模型驱动的智能体在复杂任务上表现受限，而多智能体协作（Multi-Agent Collaboration）被学术研究和工程实践反复验证为有效突破路径。微软AutoGen团队在2024年发表的研究表明，多智能体工作流在代码生成、数据分析等复杂基准测试上的表现显著优于单智能体基线。

趋势三：企业IT架构趋向“编排”而非“替代”。 企业不倾向于用一个“超级智能体”替换现有系统，而是希望引入一批专业智能体，与现有ERP、CRM、供应链管理系统对接。A2A协议是实现这一“编排层”愿景的关键基础设施。

2.3 产业位置界定

在AI技术栈中，A2A协议位于AI应用框架层与网络通信层之间，属于**智能体中间件（Agent Middleware）**范畴。

3. 技术原理

3.1 核心概念架构

A2A协议的典型技术架构包含五个核心模块，遵循“发现—协商—执行—反馈”的生命周期。

（一）智能体卡（Agent Card）

智能体卡是A2A协议中最基础的数据结构。以Google Project A2A规范（2025年4月发布）为例，智能体卡采用JSON-LD格式，包含以下关键字段：

• name / description：智能体的标识与功能描述
• url：智能体的网络访问端点
• capabilities：核心能力声明（如“文本分析”、“数据检索”、“代码执行”）
• authentication：安全认证方式（如OAuth 2.0、API Key）
• version：协议版本号

智能体卡的通用性和可扩展性是实现跨平台发现的基础。其设计哲学类似DNS系统中的域名解析记录——标准化但不失灵活性。

（二）任务与消息模型

A2A协议定义了任务从发起到完成的全生命周期消息格式。典型消息类型包括：

消息格式通常采用JSON Schema定义，保证工具链中立性。Google A2A规范进一步建议消息应包含足够的上下文信息，使得接收方智能体在“最小外部依赖”条件下即可理解任务意图。

（三）发现与注册机制

智能体的发现机制分为两种主流路径：

中心化目录模式：类似“智能体黄页”，由特定平台或联盟运营。智能体将自身智能体卡注册到中央目录，其他智能体通过API查询。典型场景为企业内部智能体市场。优势是管理简单、审计方便；劣势是存在单点信任和可扩展性瓶颈。

去中心化网络模式：基于分布式哈希表（DHT）或区块链智能合约实现。智能体卡被广播到去中心化网络中，查询请求通过节点间路由完成。优势是抗单点故障、跨组织信任成本低；劣势是延迟较高、技术复杂度大。截至2025年公开资料，该模式仍主要处于学术研究阶段，未见大规模产业部署。

（四）安全框架

A2A协议的安全体系涵盖四个维度：

1. 通信安全：端到端加密（TLS 1.3+），防止中间人攻击。
2. 身份认证：基于OAuth 2.0、OpenID Connect或去中心化身份（DID）标准，确保智能体的数字身份可验证。
3. 能力授权：细粒度权限控制，限制智能体仅可访问被显式授予的能力接口。此为防范“恶意指令扩展攻击”的关键机制。
4. 内容安全：对任务负载进行输入过滤和输出审查，防止提示词注入（Prompt Injection）、敏感数据泄露等问题。

（五）状态管理与长会话支持

复杂任务可能持续数小时甚至数天，且涉及多个智能体的多轮交互。A2A协议需支持：

• 会话状态持久化（Session Persistence）
• 任务上下文传递（Context Propagation）
• 超时与重试策略（Timeout/Retry Logic）
• 部分失败下的补偿机制（Compensation/Saga Pattern）

当前各协议版本在这方面的实现程度不一。公开资料显示，Google A2A v0.1（2025年4月发布）主要覆盖基础请求-响应模式，长会话支持被列为后续版本的重点规划方向。

3.2 典型交互流程

一次完整的A2A协作过程可概括为以下步骤：

[智能体A] ──(1) 查询目录服务──▶ [A2A目录]
[智能体A] ◀──(2) 返回匹配的智能体卡列表── [A2A目录]
[智能体A] ──(3) 发送能力协商请求──▶ [智能体B]
[智能体A] ◀──(4) 确认能力匹配── [智能体B]
[智能体A] ──(5) 发送TaskRequest──▶ [智能体B]
[智能体A] ◀──(6) 定期TaskStatus更新── [智能体B]
[智能体A] ◀──(7) 接收最终ArtifactDelivery── [智能体B]

4. 关键参数

评估任一A2A协议方案或相关平台的技术成熟度与产业化程度时，可参考以下关键参数维度：

5. 技术路线

截至2025年7月，A2A协议领域尚未形成统一的技术路线，产业界呈现四条潜在的演进路径：

5.1 巨头开源协议主导路线

代表案例：Google Project A2A

2025年4月，Google在年度I/O大会上正式发布Agent-to-Agent Protocol（简称A2A），并开放源代码与规范文档。该协议明确定义了智能体卡（Agent Card）、任务对象（Task）、消息格式等核心规范，并提供了Python和TypeScript的参考实现。Google利用其在开发者社区的影响力和Android、Chrome等平台的生态基础，力推A2A成为跨平台智能体通信的事实标准。

该路线的优势在于起步标准较完整、生态号召力强；风险在于单一厂商是否能够长期保持开放中立立场，以及社区对该协议的采纳是否足以形成网络效应。

5.2 框架内生协作路线

代表案例：微软AutoGen、CrewAI、LangGraph

这一路线并非通过独立协议层实现跨平台互通，而是在智能体开发框架内部构建多智能体协作能力。AutoGen由微软研究院于2023年开源，强调多智能体对话（Multi-Agent Conversation）模式；CrewAI专注于角色扮演型智能体编排（Role-Based Agent Orchestration）；LangGraph则提供基于有向图的工作流控制。

这些框架的协作机制通常限于同一框架内的智能体，跨框架互通需额外适配层。优势是开发体验统一、上手快；劣势是可能与“开放协议”愿景产生路线竞争，存在智能体“框架孤岛”风险。

5.3 标准化组织牵头路线

代表案例：中国信通院A2A协议推进组、W3C相关兴趣组

该路线由行业协会或国际标准化组织主导，通过召集产学研多方参与，推进共识建立和标准文本制定。中国信通院（公开报道显示其在2024年底至2025年初期间）牵头成立A2A协议推进组，目标是凝聚国内产业共识、提出兼顾国际兼容性与中国产业需求的技术标准草案。

该路线的优势在于中立性和广泛的参与基础；劣势在于周期较长，标准制定可能滞后于产业实际推进速度。

5.4 去中心化Web3路线

代表案例：Fetch.ai、SingularityNET

部分Web3项目将A2A协议与区块链智能合约结合，试图构建去中心化的智能体服务市场。Fetch.ai（主网上线于2020年，聚焦自主经济智能体）和SingularityNET（聚焦AI服务去中心化市场）是该路线的早期探索者。

该路线强调抗审查、自主产权和加密经济激励；劣势在于性能瓶颈、用户门槛高，且截至2025年在主流企业市场的渗透率较低。公开资料未见其在全球500强企业中有大规模部署案例。

5.5 路线融合前景

多数产业分析师认为，长期最可能的格局是巨头开源协议+标准化组织认证的混合模式：Google等厂商推动协议快速迭代和开发者采纳，标准化组织则在后期介入规范固化与治理权移交。中国产业界在标准层面的参与将影响A2A协议是否能够适配数据安全、网络安全审查等中国本地化合规要求。

6. 上游

A2A协议的上游产业链由为智能体提供核心能力、运行环境与数据支撑的产业环节构成。

6.1 大模型提供商

大模型是智能体的“大脑”，其推理、规划、代码生成、工具调用能力直接决定智能体可执行任务的上限。

全球市场格局（2025年）：

• OpenAI（GPT-4o、o1系列）：截至2024年12月，OpenAI官方披露周活跃用户超过3亿。
• Anthropic（Claude 3.5 Sonnet、Claude 3.5 Haiku）：强调安全性与长上下文处理能力。
• Google DeepMind（Gemini 2.0系列）：与A2A协议生态深度绑定。
• 中国市场：百度（文心一言4.0）、阿里巴巴（通义千问2.5）、字节跳动（豆包大模型）、深度求索（DeepSeek-V3）构成主要供给方。

大模型的多模态能力、函数调用（Function Calling）精度、上下文窗口长度直接塑造智能体在A2A协作中的可用性。模型厂商对A2A协议的支持态度（是原生支持还是需外部适配）也是重要技术变量。

6.2 云计算与算力平台

智能体的部署、运行和通信依赖弹性的计算、存储与网络资源。

6.3 向量数据库与知识管理工具

智能体在执行复杂任务时，需要外部知识检索与长期记忆能力。向量数据库（如Pinecone、Weaviate、Milvus、腾讯云VectorDB）和图数据库（如Neo4j）成为关键的辅助基础设施。

据DB-Engines排名（2025年1月），向量数据库品类在2024年增长超过120%（按查询热度增长计算），直接受益于AI Agent相关负载的快速增长。不过，A2A协议本身对知识管理工具的标准接口尚未深入定义，公开资料未见统一的知识检索API规范。

6.4 数据标注与合成数据

高质量智能体行为需要高质量训练与评估数据。数据标注服务（如Scale AI、Appen、海天瑞声）和合成数据生成工具构成了A2A生态的“燃料”供给层。多智能体交互日志将成为未来模型微调和强化学习的重要数据来源，该环节的产业化尚处极早期。

7. 下游

A2A协议的下游应用场景横跨企业服务、垂直行业与消费端，是产业链价值释放的出口。

7.1 企业服务与流程自动化

场景描述：通过A2A协议，企业可将不同部门、不同系统内的智能体连接为协同工作流。例如，供应链异常检测智能体发现问题后，可自动委托库存管理智能体核查库存水位，再由订单智能体与供应商沟通补货，全过程跨平台零人工干预。

技术现状：UiPath和Automation Anywhere等RPA巨头于2024年均宣布在其平台中引入AI Agent协作功能，但截至2025年公开资料，跨平台的开放A2A集成案例仍极为有限，多数仍为平台内多智能体闭环。

7.2 垂直行业应用

金融行业：投研分析智能体（抓取数据和信息）、风控智能体（评估风险敞口）、合规智能体（审核交易合规性）可通过A2A协议形成“金融智能体团队”。合规性要求极高，安全框架的成熟度是落地关键。

医疗行业：影像分析智能体、病历摘要智能体、用药推荐智能体可在保障隐私合规的前提下协同输出多学科会诊建议。数据隐私法规（中国《个人信息保护法》、美国HIPAA）是该场景最大变量。

软件开发：代码生成智能体（如GitHub Copilot）、代码审查智能体、测试智能体、文档智能体可形成软件工程流水线。微软AutoGen团队于2024年发表的论文展示了该场景的可行性，但在生产环境中的应用仍以辅助为主，尚未实现全自主协同。

7.3 消费端集成

远景场景：用户的个人AI助手通过A2A协议，在获得用户授权后自动调用旅行规划智能体预订酒店、调用比价智能体寻找商品最低价格、调用理财智能体调整投资组合。

截至2025年，该场景的落地仍处于极早期概念验证阶段。苹果（Apple Intelligence）、三星（Galaxy AI）均已宣布个人AI助手战略，但其生态开放性和A2A协议兼容意愿尚不明朗。隐私、安全和互信机制的缺失是消费端A2A大规模部署的最大障碍。

7.4 智能体市场与生态平台

A2A协议可能催生一类新的平台型商业模式——**智能体应用商店（Agent App Store）**和管理控制台。开发者可在市场中发布遵循A2A标准的智能体，用户或企业可订阅并按调用量或结果付费。公开资料未见该类市场的实际运营数据，但Salesforce（Agentforce平台，2024年发布）和ServiceNow均已表达布局意向。

8. 受益公司

以下分析基于各公司的公开战略、产品布局与技术储备，从产业链环节维度梳理可能受A2A协议发展正面影响的已披露信息主体。此梳理不构成任何形式的荐股、业绩预测或投资建议。

8.1 基础设施层

8.2 协议与平台层

8.3 应用层

注意：上述公司受益逻辑取决于A2A协议从标准走向规模化部署的速度、标准和生态的竞争格局变化、以及各公司执行落地能力。协议标准变化可能导致某些公司的先发优势被削弱。

9. 市场规模

9.1 直接可归因市场规模

A2A协议作为技术标准层，其直接商业价值的可量化规模极小——标准的制定与维护本身不产生大规模营收。A2A的市场价值主要通过其赋能的下游市场和拉动的上游基础设施消耗间接体现。

9.2 关联市场（Agent市场）

A2A协议的发展与AI智能体市场的增长高度正相关。以下是多个第三方机构对AI Agent市场的估算（含具体年份、口径和来源）：

中国市场规模的独立估算方面，公开资料未见信通院或头部咨询公司发布专门的“中国智能体市场”独立报告。IDC中国于2024年预测，中国AI软件及应用市场规模2027年将超过200亿美元，其中智能体平台与相关中间件为新兴增长极，但未拆分细项。

9.3 A2A协议直接拉动的中间件市场

公开资料未见专门针对“智能体中间件/A2A协议相关中间件”的独立市场规模估算。此类市场目前被视为智能体平台市场的组成部分，尚处于定义和成型阶段。其规模将取决于：

• A2A协议的生态采纳率
• 目录服务、路由服务、安全网关等配套基础设施的商业化程度
• 跨企业智能体协作场景的实际渗透率

9.4 中国市场特殊性

中国市场的A2A相关机遇存在以下特征：

• 国内企业IT架构中私有部署和信创要求比重高，智能体通信可能更多依赖私有化目录和内部协议。
• 数据安全法规（《数据安全法》《个人信息保护法》）对智能体间数据交换设置了额外约束，可能催生合规中间件需求。
• 中国信通院牵头的A2A协议推进组工作节奏将影响国内标准与全球标准的对接深度。

10. 玩家对比

10.1 协议标准层面

信息来源：各项目GitHub仓库（截至2025年7月可查）、官方文档、公开新闻报道。

10.2 生态模式层面

生态开放性竞争是A2A领域最核心的博弈维度。

11. 风险

11.1 标准碎片化风险（高风险）

若各大厂商各自推出互不兼容的“自有A2A协议”，将导致市场进一步割裂，背离互操作性初衷。类似风险在IoT协议（MQTT vs CoAP vs 自有协议）、即时通讯领域（各平台消息互通缺失）有充分历史教训。

当前态势：Google A2A获得了广泛的媒体关注，但其他主要玩家（尤其是中国市场参与者）是否完全采纳该标准尚未明确表态。若出现“美标”与“中标”并行且不互通的情况，将增加开发者的适配成本和企业的部署复杂度。

11.2 安全与信任挑战（高风险）

A2A协议的开放通信模型引入了传统企业安全边界之外的攻击面：

• 提示词注入攻击：恶意任务请求通过智能体通信通道传播，诱导执行方智能体执行非预期操作。
• 智能体身份伪造：攻击者注册虚假智能体卡，仿冒可信智能体获取敏感任务或数据。
• 任务流劫持：在去中心化网络中，中间节点恶意篡改任务指令或返回虚假结果。
• 责任归属模糊：多智能体协同做出的错误决策（如金融交易损失、误诊），法律责任的界定极其复杂。公开资料未见全球任何主要法域已出台专门针对多智能体协作的责任认定法规。

11.3 商业模式不清晰风险（中高风险）

传统的中间件商业模式（许可费、订阅制）是否适用于开放协议层，目前没有明确的答案。如果A2A协议完全开源且无商业化运营实体，其长期维护和演进将由社区或一两家大型企业承担，可持续性存疑。目录服务、路由服务、安全网关等可能形成商业模式的环节，也面临开源替代和价格竞争的双重压力。

11.4 技术成熟度风险（中风险）

截至2025年7月，公开可查的大规模生产级A2A协议部署案例极少。现有项目多处于以下状态之一：概念验证（PoC）、开发者预览版、小规模内部试点。在以下工程维度的公开测试数据匮乏：

• 大规模（万级智能体同时在线）下的发现延迟
• 高并发任务请求场景中的消息吞吐量与稳定性
• 跨区域、跨云环境下的网络延迟与可靠性
• 复杂长会话中的状态一致性保证

11.5 监管与合规风险（中风险）

多智能体自主协作在以下领域可能触发监管关注：

• 数据跨境：A2A智能体通信可能跨越国界传输数据，触发各法域的数据跨境合规义务。
• 金融监管：智能体自动执行的金融交易可能被认定为算法交易，需满足相应的报备和风控要求。
• 医疗合规：参与医疗决策的智能体协作是否属于医疗器械功能范畴，存在监管定性不确定性。
• 中国特殊性：《网络安全法》《数据安全法》《个人信息保护法》《生成式人工智能服务管理暂行办法》构成叠加监管体系，A2A协议的落地需遵循数据本地化、安全评估、算法备案等要求。

11.6 伦理与社会风险（中长期风险）

当多智能体协同决策对人类用户产生实质性影响时，可能面临公众信任危机。潜在问题包括：就业替代焦虑的扩散、智能体行为偏差的叠加放大、问责机制缺失导致的权益受损救济困难。

12. 误读纠偏

误读一：“A2A协议只属于Google”

纠偏：Google Project A2A是当前影响力最大的协议实现之一，但A2A本质上是一类协议的通称。中国信通院推进组、各框架方的内生协作机制均属于A2A范畴的不同实现路径。将A2A等同于Google独有产品会造成对产业格局的窄化理解。

误读二：“A2A协议会让智能体失控”

纠偏：A2A协议本身是一套通信规则，其安全能力取决于协议中安全框架的完备性和部署实现的健壮性。失控风险更多源于智能体行为边界的设置（由开发者和部署方控制），而非协议本身。安全可控恰恰是A2A标准制定的核心关注点之一。

误读三：“有了A2A协议，所有智能体就能立刻互通”

纠偏：A2A协议定义了通信的“语法”，但智能体间能不能“理解”彼此的任务，还取决于能力描述的语义精确性、任务共享的上下文模型一致性等更深层次的互操作性挑战。协议落地需要“标准文本+适配实现+语义对齐”三个层次齐头并进。

误读四：“A2A协议将很快（1-2年）大规模商用”

纠偏：从互联网TCP/IP协议到物联网协议，中间件标准从推出到形成产业共识通常需要5-10年甚至更长。A2A协议当前处于标准的“萌芽期”和“博弈期”，真正的规模化部署可能需要更长时间的技术打磨、生态建设和治理成熟。

误读五：“A2A只是技术问题，与商业模式无关”

纠偏：协议的采纳速度高度依赖参与者的商业激励。开放标准如果没有清晰的商业回报路径，大厂投入动力可能不足；而过于封闭的生态则会限制互操作性价值。商业模式的探索与标准制定至少同等重要。

误读六：“中国A2A标准会与国际完全一致”

纠偏：中国监管体系（数据安全、网络安全审查、算法备案）对智能体通信存在特殊要求，国内标准在身份认证机制、数据本地化、合规日志等方面可能与国际标准存在差异化设计。理解“全球互通+本地合规”的双层架构是中国市场参与者的必要视角。

13. 最新事件

以下按时间倒序列出自2024年以来与A2A协议直接相关的关键事件：

持续跟踪方向：各主要协议版本的迭代、标准化组织的正式工作组设立、跨厂商互操作测试结果发布、首个生产级A2A公开部署案例。

14. 跟踪指标

用于持续监测A2A协议产业化进展的关键先行指标与验证指标：

14.1 标准与治理指标

14.2 生态采纳指标

14.3 社区与人才指标

14.4 商业化指标（中长期）

15. 信源

以下为本文编写所依据的主要公开信息来源分类：

15.1 官方规范与文档（一手信源）

1. Google A2A Protocol Specification - https://google-a2a.github.io/A2A/specification/
2. Google A2A Protocol Documentation - https://google-a2a.github.io/A2A/latest/
3. Microsoft Copilot Studio: Connect to an agent over the Agent2Agent protocol - https://learn.microsoft.com/en-us/microsoft-copilot-studio/add-agent-agent-to-agent
4. AutoGen GitHub Repository - https://github.com/microsoft/autogen
5. CrewAI GitHub Repository - https://github.com/crewAIInc/crewAI
6. LangGraph Documentation - https://langchain-ai.github.io/langgraph/

15.2 市场研究报告（二手信源，含机构名、数据口径）

7. MarketsandMarkets: AI Agents Market Report, August 2024（全球AI Agent市场规模预测）
8. Grand View Research: Autonomous AI and Agents Market Report, 2024
9. Gartner: Predicts 2024 — AI and the Future of Work, 2024
10. IDC China: AI Software and Applications Market Forecast, 2024

15.3 新闻与行业报道

11. Google I/O 2025 Keynote报道（多家科技媒体，2025年5月）
12. 中国信通院A2A协议推进组相关公开会议报道（2024-2025年）
13. 各主要云厂商年度大会发布（AWS re:Invent 2024、百度世界2024、阿里云栖大会2024）

15.4 学术与工程论文

14. Microsoft Research: AutoGen — Enabling Next-Gen LLM Applications via Multi-Agent Conversation, 2024
15. 各预印本平台（arXiv）以“multi-agent collaboration”、“agent communication protocol”为关键词可检索的最新研究

15.5 信息质量声明

• 所有财务数据、市场份额数据均已标注具体年份、口径和来源机构。
• 凡标注“公开资料未见”之处，表示截至本文成稿时（信息截止至2025年7月）笔者未查到相关公开一手或可信二手数据，并非对不存在该信息的确认。
• 本文不包含任何对股价走势、买卖时点或投资价值的判断性表述。
• 部分前沿领域的行业共识仍在快速演变，建议结合最新一手信源交叉验证。

声明：本文基于截至2025年7月的公开可查资料（含官方技术文档、行业研究报告、公开新闻报道与学术出版物）进行架构化整理分析，旨在提供产业链知识参考，不构成任何投资建议、商业建议或产品推荐。文中涉及的公司与产品仅作为产业参与方示例列示，其出现不代表对其商业前景或技术优势的任何判断。技术标准领域信息变化较快，建议读者结合最新一手信源独立判断。