A2A（Agent-to-Agent Protocol）
A2A 是 Google 在 2025 年 4 月 發布的新協定
它的目的很單純：讓 AI 和 AI 能聽懂彼此的話、一起做事
為什麼需要 A2A？
AI 開始會「用工具」
像一個人會用 Google 搜尋、查資料庫、調 API
⇒ AI Agent (智慧代理) 有工具的能力 Function Calling 及工具協議 Model Context Protocol, MCP
但現在的 AI 越來越多種類，有的專門懂語言、有的分析數據、有的生圖、有的管資料，問題是：它們之間要怎麼合作？
如果沒有 A2A，這整段流程就像不同人講不同語言，根本溝通不了
舉例：
ChatGPT 寫了一份企劃 → 需要 Gemini 幫忙查資料 → 再交給 Claude 幫忙做簡報。
A2A 的任務就是：讓不同的 AI 講同一種「合作語言」
A2A 和 MCP 的差別
| 比較項 | MCP | A2A |
|---|---|---|
| 對象 | Agent 對工具/資料 | Agent 對 Agent |
| 功能 | 查資料、存檔、算數據 | 溝通、協作、分工 |
| 概念 | 「我會用工具」 | 「我會跟別人合作」 |
| 類比 | 自己做事 | 和同事一起開會 |
- MCP 是「內功」，讓 AI 會用東西
- A2A 是「外功」，讓 AI 會協作
核心概念：Agent Card
在 A2A 裡，每個 AI 都要有一張「Agent Card」
它有點像名片，寫著：
- 我是誰（ID）
- 我會什麼（能力清單）
- 要怎麼找我（連線端點）
- 我講哪種語言（通訊格式）
舉例來說：
我是一個「翻譯 Agent」，支援英中互譯，HTTP 端點在
/translate。
另一個 AI 想用你時，只要看你的 Card，就知道怎麼呼叫你
任務怎麼交？
AI 之間溝通的單位叫「Task」。
一個 Task 會包含：
- 要做什麼（任務說明）
- 輸入資料（text、image、json）
- 輸出成果（Artifact）
例如：
Agent A：「幫我總結這篇文章」
Agent B：「好，這是摘要」
或更長流程：
1️⃣ 分析 Agent → 找重點
2️⃣ 撰稿 Agent → 寫成報告
3️⃣ 視覺 Agent → 生成封面圖
這三步就是 A2A 的典型用法：
每個 Agent 專心在自己會的部分，最後合成結果。
A2A 和 MCP 的差別
| 比較項 | MCP | A2A |
|---|---|---|
| 對象 | Agent 對工具/資料 | Agent 對 Agent |
| 功能 | 查資料、存檔、算數據 | 溝通、協作、分工 |
| 概念 | 「我會用工具」 | 「我會跟別人合作」 |
| 類比 | 自己做事 | 和同事一起開會 |
👉 MCP 是「內功」，讓 AI 會用東西。
👉 A2A 是「外功」，讓 AI 會協作。
安全與限制
A2A 假設「外面的 Agent 不一定可信」，
所以每次交換任務都要設定：
- 權限（能看什麼）
- 驗證（token / key）
- 邊界（不能直接讀你內部記憶）
傳輸走 HTTPS + JSON-RPC，
可以是即時，也能用串流（SSE）慢慢傳回進度
延伸應用
- 多模型協作：Gemini 負責分析，Claude 寫摘要，ChatGPT 審稿。
- 跨公司整合：企業 A 的客服 Agent 可以用企業 B 的知識 Agent。
- AI 供應市場：未來 Agent 會上架「能力卡」，讓其他人用。
甚至有新的延伸版本 AP2（Agent Payment Protocol），
讓 Agent 之間能用安全方式「付費買服務」。
小結
一句話記起來：
MCP 讓 AI 會用工具，A2A 讓 AI 有同事
有了它，AI 就能組團工作，
像「多個腦袋的作業系統」，一起完成更大的任務。