A2A
PulseAugur coverage of A2A — every cluster mentioning A2A across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
作者发现 AI 代理协议比看起来更简单
作者从零开始构建了一个 agentic protocol stack，使用了 vanilla Python 和 Node.js 配合 React，以了解 AI 代理的底层机制。他们发现核心协议出奇地简单，依赖于基本的字符串打印进行传输，并通过子进程调用进行代理切换，UI 注入通过 JSON 载荷处理。作者认为，这些协议的强大之处不在于技术复杂性，而在于当就通用格式达成一致时，它们所强制执行的架构纪律和互操作性。
-
为 A2A 代理协议提出新的 ERDL 规则层
为增强 A2A 代理通信协议，引入了一个新的规则层 ERDL（实体-规则定义语言）的提案。该层旨在提供代理行为的确定性执行，超越基于提示的建议，以防止代理执行被禁止的操作。ERDL 在代理与工具或其他代理交互之前，通过评估声明性规则标准（通常为 YAML 格式）来运行，以确保符合定义的策略。
-
Kafka 在赋能生产环境 AI 代理中的作用
文章讨论了分布式事件流平台 Kafka 在使 AI 代理在生产环境中有效运行方面所起的关键作用。虽然 MCP（可能用于代理控制）和 A2A（可能用于代理间通信）等其他组件受到更多关注，但 Kafka 提供了使这些代理能够可靠且大规模运行所必需的内存和数据处理能力。
-
Google 的 A2A 协议在代理间通信中找到利基市场
Google 的 Agent2Agent (A2A) 协议于 2025 年 4 月推出，旨在标准化来自不同供应商和框架的独立 AI 代理之间的通信。最初因市场充斥着缩略语以及与模型上下文协议 (MCP) 的感知重叠而受到怀疑，A2A 在 2026 年找到了其利基市场。它被证明对于在具有自身所有权和能力的独立代理之间实现通信非常有用，而不仅仅是内部功能或工具包装器。该协议促进代理发现、任务委托、消息交换和工件共享，解决了代理协作的完整生命周期。
-
使用 MCP 和 A2A 协议构建和扩展 Rust 货币代理
本系列文章详细介绍了使用 Rust 构建和扩展货币代理的过程。该代理利用 MCP（消息通信协议）和 A2A（代理到代理）通信协议。在开发过程中使用了 AG-UI 和 Antigravity CLI 等特定工具，后续文章将重点介绍如何使用 A2UI 扩展代理的功能。
-
模型上下文协议 (MCP) 面临治理差距，但企业采用率不断增长
一篇新论文和几篇文章讨论了模型上下文协议 (MCP)，这是一个用于 Agent 互操作性的开放标准。虽然 MCP 使 AI Agent 能够发现和利用工具及数据，但最近的一项分析强调了其当前规范中的重大差距，特别是在投票和异议保留等治理功能方面，这表明需要一个用于受治理 Agent 社区的新架构层。同时，实际应用正在涌现，n8n 等工具能够将工作流公开为 MCP 兼容的 Agent 工具，并且平台正在集成 MCP 以实现自动化交易和安…
-
使用 AG-UI 和 Antigravity CLI 扩展 MCP/A2A 货币代理
本文详细介绍了使用 AG-UI 和 Antigravity CLI 工具扩展 MCP/A2A 货币代理的过程。重点关注这些组件在基于代理的系统中的实际实现和集成。
-
Strands 通过 A2A 框架简化 AI 代理通信
本指南演示了如何使用 Strands（一个用于构建 AI 代理的框架）实现简化的代理间通信。它概述了如何用最少的代码设置一个基本的 A2A 服务器，然后连接一个客户端与其交互。该过程包括初始化项目、添加必要的包以及为服务器和客户端组件编写简单的 Python 脚本，展示了获取代理卡片和流式传输响应的便捷性。
-
使用 A2A 和 MCP 构建的用于跨云基准测试的 Rust 代理
本文详细介绍了创建一个基于 Rust 的代理，该代理专为跨云基准测试而设计。它利用 A2A（Agent-to-Agent）通信协议和 MCP（Message Communication Protocol）来促进在不同云环境中运行的代理之间的交互。重点在于建立一个强大的系统，用于评估各种云平台的性能。
-
开发人员使用 MCP、A2A、ADK 和 AG-UI 扩展货币代理
本文详细介绍了使用 MCP、A2A、ADK 和 AG-UI 扩展货币代理的过程。它为希望使用这些特定工具构建和增强代理的开发人员提供了分步指南。内容侧重于在代理开发框架内的实际实现和集成。
-
新协议支持隐私保护的AI智能体路由
研究人员推出了一种名为SS-ZKR的新型协议，旨在实现跨组织信任边界的AI智能体通信的隐私保护路由。该系统通过允许中介在不解密的情况下路由敏感数据来解决现有协议的局限性，这对于金融和医疗保健等行业的合规性至关重要。SS-ZKR采用三种机制：基于零知识证明的盲路由、自适应载荷净化以及用于安全访问电路的策略编译器，为基于TEE和同态加密的方法提供了更安全的选择。
-
Google 的 A2A 协议简化了 AI 代理通信
Google 开发了 A2A 协议以促进 AI 代理之间的通信，解决了代理间任务委托的复杂性。该协议于 2026 年 3 月在 Linux Foundation 下发布了 1.0 版本，处理了异步处理、人工干预循环交互和流式数据等挑战。这旨在简化基于不同框架和服务的代理的集成，超越了基本的 HTTP 请求。
-
Agent Exchange 推出开放市场，用于 AI 代理发现和支付
Agent Exchange 是一个新推出的开放市场，旨在帮助 AI 代理发现并为彼此的服务付费。构建者可以免费注册他们的机器人，使它们能够通过 A2A 和 MCP 协议被其他代理聘用。该平台支持在 Base 区块链上使用 USDC 进行小额支付，构建者每次调用可保留约 85% 的收入。
-
AI 代理依赖于被低估的 MCP 和 A2A 通信协议
本文深入探讨了支撑 AI 代理系统的关键但常被忽视的协议。它强调了 MCP（多代理通信协议）和 A2A（代理间通信）在实现不同 AI 代理之间无缝通信和协调方面的重要性。文章认为，理解这些基础协议对于开发健壮且可扩展的多代理 AI 应用至关重要。
-
AI智能体重塑商业格局，重心从流量转向信任
AI智能体的兴起将从根本上改变商业格局，将重心从传统的用户流量转移到这些智能体的信任和生态系统。蚂蚁集团、Google和OpenAI等公司正在开发协议和平台，以促进智能体之间的通信和交易。这种演变将重新定义商业决策，从人类驱动的搜索转向智能体驱动的任务完成，并可能实现超越传统货币的新型价值交换形式。
-
AI 代理通过 Agent2Agent 协议获得同事
模型上下文协议 (MCP) 使 AI 代理能够与工具和外部数据源进行交互，而 Agent2Agent (A2A) 协议则促进了多个代理之间的协作。A2A 引入了代理卡片（用于发现）、标准化通信和任务生命周期管理等概念，超越了简单的提示链，实现了复杂的工作流程。这使得代理能够更像可发现的服务一样运行，从而能够实现从软件开发到客户支持的各种任务的复杂多代理系统。
-
AI代理协议缺乏关键的发现和认证功能
一篇最近的观点文章强调了当前AI代理协议的一个关键差距，特别是多代理对话协议（MCP）和代理间（A2A）通信标准。虽然这些协议有效地管理了代理与工具的交互和任务委托，但它们未能解决代理发现、稳定寻址以及跨不同信任边界的安全认证等基本问题。作者认为，这些被忽视的传输层问题导致了生产环境中实际的故障，例如代理无法找到彼此或建立可靠的连接。
-
A2A agents 因 Nginx SSE 缓冲在 Azure 生产环境中遇到故障
作者详细介绍了将 A2A agent 协议部署到 Azure 时遇到的挑战，特别强调了 Nginx 入口控制器上服务器发送事件 (SSE) 缓冲问题。这个单一的注解错误导致了长达四小时的调试会话，尽管修复本身只用了十二分钟。本文旨在通过分享所吸取的经验教训，帮助其他人避免类似的生产部署陷阱。
-
MCP 和 A2A 协议集成，实现代理工具使用和协调
MCP 和 A2A 协议旨在协同工作，解决代理功能的各个方面。MCP 专注于使代理能够访问文件、API 和数据库等外部资源，充当工具带。而 A2A 则负责代理间协调和任务委派，充当互操作性协议。尽管 A2A 已获得 AWS 和 Microsoft 等主要公司加入 Linux Foundation 的广泛行业采纳，但 OpenAI 尚未将其 Python SDK 集成 A2A 支持，这使得跨框架互操作性需要变通方法。
-
新的 A2A 指标和 popmatch 包改进了健康研究中的偏倚校正
研究人员开发了一种名为 A2A 的新指标，以提高健康研究中偏倚校正方法的准确性。该指标通过创建具有已知结果的人工匹配任务，帮助选择最可靠的倾向得分匹配 (PSM) 技术。A2A 可将治疗效果估计中的误差最多降低 50%，变异性最多降低 90%。为了方便使用，该团队还发布了一个名为 popmatch 的 Python 包，该包自动化了 PSM 流程并集成了各种方法。