A2A 是 Agent2Agent 的缩写，意思是“智能体到智能体”。在 AI 语境里，它通常指让不同 Agent 之间互相发现、沟通、协作和交接任务的一类协议或机制。
如果 MCP 关注的是“Agent 怎么连接工具和数据”，A2A 关注的就是“Agent 怎么连接另一个 Agent”。这两个词经常一起出现，但解决的是不同层面的问题。
先用一句话抓住它
A2A 是让不同 AI 智能体之间以标准方式通信、协作和交换任务状态的机制。
生活里的类比是一个团队。一个助理负责查资料，一个助理负责写报告，一个助理负责订会议室。如果他们没有共同的沟通规则，任务交接就会混乱。A2A 想解决的正是这种协作问题。
多个 Agent 为什么需要协议
随着 Agent 能力变多，一个系统里可能不止一个智能体。客服 Agent 可能需要把技术问题交给工程 Agent；旅行规划 Agent 可能需要询价 Agent、日程 Agent 和支付 Agent 配合；企业里不同部门也可能有各自的 AI 助手。
flowchart LR
User["用户目标"] --> AgentA["规划 Agent"]
AgentA --> AgentB["检索 Agent"]
AgentA --> AgentC["执行 Agent"]
AgentB --> AgentA
AgentC --> AgentA
AgentA --> Result["汇总结果"]如果每个 Agent 都用自己的通信方式，协作就会变成定制集成。A2A 的目标，是让 Agent 能描述自己会做什么、接收任务、返回状态、交换结果，并在需要时完成任务交接。
和 MCP 的区别
MCP 可以简单理解为“Agent 找工具”，A2A 可以理解为“Agent 找另一个 Agent”。一个 Agent 可能通过 MCP 调用文件、数据库和 API，也可能通过 A2A 把任务交给另一个更适合的 Agent。
两者并不互相替代。MCP 解决工具连接，A2A 解决智能体协作。一个复杂系统里，它们可能同时存在。
A2A 适合什么场景
A2A 更适合任务天然需要分工的场景。比如企业流程里，销售、客服、财务、工单系统各自有不同 Agent；多专家系统里，法律、技术、数据分析、写作 Agent 分别处理不同部分；长任务中，一个 Agent 负责规划，多个 Agent 并行执行子任务。
它的价值不在于让 Agent 互相闲聊，而在于让能力描述、任务状态和结果交换更标准。
容易误解的地方
多 Agent 不一定比单 Agent 好。任务拆分、通信成本、上下文同步和责任归属都会变复杂。如果一个任务本来可以由一个 Agent 清楚完成，强行拆成多个 Agent 反而可能降低稳定性。
A2A 也不会自动解决安全问题。不同 Agent 之间传递任务和数据时，仍然需要认证、权限、审计和用户确认。Agent 能沟通，不代表每个环节都可靠。
怎么判断它该不该用
设计 A2A 系统时，要让每个 Agent 的能力边界足够清楚：它能做什么，不能做什么，需要什么输入，输出什么结果，失败时如何反馈。尤其当 Agent 能采取外部行动时，必须设置权限和确认点。