谷歌A2A代理示例
该存储库基于Google的A2A协议实现了一个简单的代理到代理（A2A）通信示例。A2A是谷歌提出的标准，使人工智能代理能够通过标准化的API相互通信。
概述
实施由两个主要部分组成：
- 服务器(
server.py)：一个基于Flask的服务器充当AI代理。它实现了核心A2A协议端点：
- /.well-known/agent.json：提供代理的元数据（代理卡），描述其功能和URL。 - /tasks/send：接受其他代理（或类似客户）的任务 client.py)，使用AI模型（OpenAI的GPT-4o-mini）和外部工具（通过MCP的Brave Search）处理它们，并返回结果。
- 客户(
client.py)：一个简单的Python脚本，演示如何与A2A服务器交互：
- 通过获取代理卡来发现代理。 - 向代理发送任务（用户查询） /tasks/send 终点。 - 接收并打印代理的响应。
建筑
交互流程可以可视化如下：
sequenceDiagram
participant C as Client (client.py)
participant S as A2A Server (server.py)
participant MCP as Brave MCP Server
participant OAI as OpenAI API
C->>S: GET /.well-known/agent.json (Discover Agent)
S-->>C: Agent Card JSON
C->>S: POST /tasks/send (Task Request with User Query)
S->>OAI: Process Query (Initial processing)
Note right of S: Agent decides to use Brave Search
S->>MCP: Search Request
MCP-->>S: Search Results
S->>OAI: Process Query + Search Results
OAI-->>S: Final Response Text
S-->>C: Task Response (with Agent's Final Message)- 这 客户端 通过发现 A2A服务器.
- 这 客户端 向发送任务（例如，“什么是Google A2A？”） 服务器.
- 这 服务器 使用
pydantic-ai库，与以下内容协调：
- 这 OpenAI API 以理解请求并生成响应。 - A. Brave Search MCP服务器 （通过管理 MCPServerStdio)当需要网络搜索时。MCP（模型上下文协议）规范了AI模型如何与外部工具/数据源交互。
- 这 服务器 将最终响应发送回 客户端.
设置
- 克隆存储库：
git clone
cd - 创建并激活虚拟环境：
- 视窗:
python -m venv venv
.\venv\Scripts\activate- macOS/Linux:
python3 -m venv venv
source venv/bin/activate- 创建一个
.env文件：
创建一个名为的文件 .env 在根目录中，并添加您的API密钥：
OPENAI_API_KEY=your_openai_api_key
BRAVE_API_KEY=your_brave_api_key*（替换 your_openai_api_key 和 your_brave_api_key 使用您的实际钥匙）*
- 安装依赖项：
pip install -r requirements.txt- 运行服务器：
打开终端，激活虚拟环境，然后运行：
python server.py服务器将启动，通常在 http://localhost:5000.
- 运行客户端：
打开A *分开* 终端，激活虚拟环境，并运行：
python client.py客户端将发现服务器，发送预定义的问题，并打印代理的响应。
A2A协议详细信息
谷歌的A2A协议为代理通过HTTP进行通信定义了一种标准方式。关键概念包括：
- 代理卡(
/.well-known/agent.json)：一个标准JSON文档，描述代理的身份、功能（例如流式支持）和API端点。 - 任务API(
/tasks/send,/tasks/receive等等）：用于交换任务和消息的端点。此示例仅实现了基本功能/tasks/send. - 标准化消息格式：代理之间交换的消息的一致JSON结构，通常包括角色(
user,agent)以及内容部分。
如需更深入的信息，请参阅谷歌官方A2A协议文档（如果有链接）。