使用说明

A2A+MCP协议演示

两个开放协议成为可互操作AI代理系统标准的最小、可运行的示例：

A2A（代理2代理） --代理人如何相互交谈
MCP（模型上下文协议） --代理如何与工具对话

三种不同的框架（Google ADK、LangGraph、BeeAI）都通过A2A进行通信——这就是重点。

两个协议

A2A——代理人对代理人

A2A是一个开放的HTTP协议，允许AI代理使用 不同的框架 无需自定义集成代码即可相互发现和调用。由Google Cloud于2025年4月推出，捐赠给Linux基金会。

A2A代理只是一个HTTP服务器。任何其他说A2A的代理都可以呼叫它。

三个核心概念：

概念	它是什么	你在哪里看到它
代理卡	JSON文档位于 `GET /.well-known/agent.json` --代理的名称、URL、版本和技能。客户如何发现代理人。	`a2a_policy_agent.py` → `LlmAgent(name=..., description=...)`
AgentSkill 的	AgentCard中声明的功能。路由器和协调器通过阅读技能来决定呼叫哪个代理。	`a2a_provider_agent.py` → `AgentSkill(...)`
代理执行器	传入A2A请求和业务逻辑之间的桥梁。要么实施 `execute()` 手动或让像ADK这样的框架通过 `to_a2a()`.	`a2a_provider_agent.py` → 由...处理 `langgraph-a2a-server`

MCP——代理到工具

MCP是一个开放协议，标准化了LLM代理如何连接到外部工具和数据源。MCP服务器公开任何MCP客户端都可以调用的类型化函数，而不管框架如何。

三个核心概念：

概念	它是什么	你在哪里看到它
MCP服务器	显示一个或多个工具。框架无关。	`mcpserver.py`
MCP客户端	发现并调用MCP工具的代理端适配器。	`a2a_provider_agent.py` → `MultiServerMCPClient`
工具	一个带有docstring的类型化Python函数。LLM读取它并决定何时调用它	`mcpserver.py` → `list_doctors()`

它们如何相互补充

A2A=代理人与代理人交谈。MCP=代理与工具对话。

代理可以同时是 A2A服务器 （接受任务）和 MCP客户端 （调用工具来实现它们）。提供商代理正是这样做的。

完整架构

                    ┌─────────────────────────────────────────────────┐
                    │  Option A: client.py (GPT-4o router)            │
                    │  Option B: a2a_orchestrator_client.py (BeeAI)   │
                    └────────────────┬────────────────────────────────┘
                                     │ A2A
                                     │
                    ┌────────────────▼────────────────────────────────┐
                    │         a2a_orchestrator.py  :9996              │
                    │         BeeAI RequirementAgent                  │
                    │                                                 │
                    │  Fetches AgentCards at startup → creates        │
                    │  HandoffTools → routes via LLM reasoning        │
                    └──────────────┬──────────────┬───────────────────┘
                                   │ A2A          │ A2A
                   ┌───────────────▼──┐      ┌───▼──────────────────────┐
                   │ Policy Agent     │      │ Provider Agent           │
                   │ :9999            │      │ :9997                    │
                   │ Google ADK       │      │ LangGraph + MCP          │
                   │                  │      │                          │
                   │ LlmAgent         │      │ ReAct agent loop         │
                   │ + to_a2a()       │      │       │ MCP (stdio)      │
                   │      │           │      │       ▼                  │
                   │      │ LiteLLM   │      │ mcpserver.py             │
                   │      ▼           │      │       │                  │
                   │ Gemini + PDF     │      │       ▼                  │
                   └──────────────────┘      │ doctors.json            │
                                             └──────────────────────────┘

特工Deep Dives

策略代理——谷歌ADK

文件夹： policy_agent.py + a2a_policy_agent.py | 端口： 9999

回答有关保险计划覆盖范围的问题。

User question (via A2A)
    │
    ▼
Google ADK LlmAgent receives request
    │
    ├── Decides to call answer_policy_question() tool
    │
    ▼
policy_agent.py → LiteLLM → Gemini API + PDF (base64)
    │
    ▼
to_a2a() sends response back over A2A

按键图案-- to_a2a() 与手动A2A SDK相比：

A2A SDK手册	谷歌ADK
定义 `AgentCard` 您自己	生成自 `LlmAgent(name=..., description=...)`
实施 `AgentExecutor.execute()`	ADK内部处理
电线 `DefaultRequestHandler` + `A2AStarletteApplication`	`to_a2a(agent)` 做这一切
约80行	约20行

权衡：ADK隐藏了协议细节。手动方法更具教育性。

提供者代理--LangGraph+MCP

文件夹： a2a_provider_agent.py + mcpserver.py | 端口： 9997

按地点查找医疗保健提供者，并告诉你他们接受什么保险。

User question (via A2A)
    │
    ▼
LangGraph ReAct agent loop
    ├── LLM thinks: "I need to search for doctors"
    ├── Calls list_doctors() via MCP ──► mcpserver.py subprocess (stdio)
    │                                        └── filters doctors.json
    ├── LLM receives results
    └── LLM formats readable answer
    │
    ▼
A2A response (result in task.artifacts)

关键模式： 一个代理中有三个协议：

A2A --外层，接受任务并提供响应(langgraph-a2a-server)
LangGraph --中间层，运行ReAct推理循环
主控程序 --内层，将LangGraph连接到 list_doctors 通过stdio工具

mcpserver.py 作为子进程自动启动 MultiServerMCPClient --切勿手动启动。

BeeAI编排器

文件： a2a_orchestrator.py | 端口： 9996

协调两个子代理来回答跨越两个领域的复杂问题。

User question (via A2A)
    │
    ▼
BeeAI RequirementAgent
    │
    ├── ThinkTool: reasons about what's needed
    │
    ├── HandoffTool → Policy Agent (A2A :9999)
    │   "What does the plan cover for mental health?"
    │
    ├── ThinkTool: reasons about next step
    │
    ├── HandoffTool → Provider Agent (A2A :9997)
    │   "Find psychiatrists in Boston, MA"
    │
    └── Synthesizes both answers into one response
    │
    ▼
A2A response

关键图案——BeeAI的优雅：

在启动时， check_agent_exists() 获取每个子代理的代理卡
HandoffTool 将每个A2A代理包装为可调用工具——描述直接来自AgentCard
ConditionalRequirement 防止无限循环（每个代理每个请求调用一次max）
零硬编码路由——LLM根据AgentCard描述决定调用哪些工具

client.py——原始A2A SDK+GPT-4o路由器

文件： client.py

直接调用两个子代理的交互式客户端（绕过编排器）。使用GPT-4o读取AgentCard并智能路由。

Startup: fetch AgentCards from both agents → show discovery output

Loop:
    User types question
        → GPT-4o reads AgentCards, reasons about which agent fits
        → Routes to chosen agent via A2A
        → Prints response

使用此功能： 演示A2A发现，并展示任何LLM如何纯粹从AgentCard元数据充当路由器。

项目结构

a2a/
│
├── policy_agent.py               # Plain Python class — no A2A, no framework
│                                 # Reads PDF at startup, answers via Gemini/LiteLLM
│
├── a2a_policy_agent.py           # Google ADK: LlmAgent + to_a2a() (port 9999)
│
├── a2a_provider_agent.py         # LangGraph + MCP as A2A server (port 9997)
│
├── mcpserver.py                  # MCP server — exposes list_doctors() tool (stdio)
│
├── a2a_orchestrator.py           # BeeAI RequirementAgent orchestrator (port 9996)
│                                 # Reads AgentCards, coordinates sub-agents
│
├── a2a_orchestrator_client.py    # Interactive client for the BeeAI orchestrator
│                                 # Keeps conversation memory across follow-ups
│
├── client.py                     # Interactive client with GPT-4o router
│                                 # Calls sub-agents directly (no orchestrator)
│
├── helpers.py                    # setup_env() — loads .env, suppresses warnings
│
├── data/
│   ├── 2026AnthemgHIPSBC.pdf    # Insurance policy PDF (Policy Agent)
│   └── doctors.json              # Doctor dataset (MCP server)
│
├── example.env                   # Environment variable template
└── pyproject.toml                # Project dependencies

设置

1.API密钥

密钥	使用人	获取
`GEMINI_API_KEY`	策略代理、提供者代理、编排器	谷歌AI工作室
`OPENAI_API_KEY`	路由器在 `client.py` （GPT-4o）	OpenAI平台

2.配置环境

cp example.env .env
# Edit .env and fill in both API keys

3.安装依赖项

uv sync

4.VS代码解释器

Cmd+Shift+P → Python：选择解释器 → 选择 .venv 在这个文件夹中。

跑步

选项A——两个代理+GPT-4o路由器（3个终端）

# Terminal 1
uv run a2a_policy_agent.py       # Google ADK, port 9999

# Terminal 2
uv run a2a_provider_agent.py     # LangGraph + MCP, port 9997

# Terminal 3
uv run client.py                 # GPT-4o router, interactive

选项B——全栈BeeAI编排器（4个终端）

# Terminal 1
uv run a2a_policy_agent.py       # Google ADK, port 9999

# Terminal 2
uv run a2a_provider_agent.py     # LangGraph + MCP, port 9997

# Terminal 3 — start AFTER 1 & 2 are running
uv run a2a_orchestrator.py       # BeeAI orchestrator, port 9996

# Terminal 4
uv run a2a_orchestrator_client.py  # Interactive, with memory

重要提示： 仅在子代理运行后启动编排器（终端3）——它调用 check_agent_exists() 在启动时获取两个AgentCard。

要尝试的示例问题

问题	最佳客户
“我的计划包括心理健康吗？”	`client.py` → 策略代理
“我的免赔额是多少？”	`client.py` → 策略代理
“在波士顿找心理医生”	`client.py` → 提供商代理
“阿曼达·福斯特医生接受什么保险？”	`client.py` → 提供商代理
“我在波士顿。我有什么心理健康保险，并在我附近找一位精神病医生？”	`a2a_orchestrator_client.py` （同时调用两者）

关键依赖

包	角色
`a2a-sdk`	A2A协议-- `AgentCard`, `AgentExecutor`, `ClientFactory`
`google-adk`	谷歌代理开发工具包-- `LlmAgent`, `to_a2a()`
`mcp`	MCP协议-- `FastMCP` 服务器工具包
`langchain-mcp-adapters`	`MultiServerMCPClient` --LangGraph↔ MCP电桥
`langgraph`	在提供者代理中重新执行代理循环
`langgraph-a2a-server`	将LangGraph图包装为A2A HTTP服务器
`beeai-framework`	`RequirementAgent`, `HandoffTool`, `A2AServer`
`litellm`	统一LLM API-Gemini+OpenAI，带有一个接口
`langchain-litellm`	LiteLLM的LangChain适配器

AI代理交互协议

使用说明

A2A+MCP协议演示

两个协议

A2A——代理人对代理人

MCP——代理到工具

它们如何相互补充

完整架构

特工Deep Dives

策略代理——谷歌ADK

提供者代理--LangGraph+MCP

BeeAI编排器

client.py——原始A2A SDK+GPT-4o路由器

项目结构

设置

1.API密钥

2.配置环境

3.安装依赖项

4.VS代码解释器

跑步

选项A——两个代理+GPT-4o路由器（3个终端）

选项B——全栈BeeAI编排器（4个终端）

要尝试的示例问题

关键依赖

延伸阅读

使用说明

A2A+MCP协议演示

两个协议

A2A——代理人对代理人

MCP——代理到工具

它们如何相互补充

完整架构

特工Deep Dives

策略代理——谷歌ADK

提供者代理--LangGraph+MCP

BeeAI编排器

client.py——原始A2A SDK+GPT-4o路由器

项目结构

设置

1.API密钥

2.配置环境

3.安装依赖项

4.VS代码解释器

跑步

选项A——两个代理+GPT-4o路由器（3个终端）

选项B——全栈BeeAI编排器（4个终端）

要尝试的示例问题

关键依赖

延伸阅读

相关 MCP

协议桥接服务器

Webhook消息服务

协议桥接服务器

协议桥接网关

AI代理通信工具

终端多路通信服务