✨这篇文章里面会带有一些 AI Agent 的历史背景，非常有意思，我也尽可能用一些插画来便于大家理解。强烈推荐大家看完！我自己调研完之后也重新思考 Agent 时代的产品范式。
我计划今年5月去新加坡、6月日本、10/11月美国调研当地SaaS市场和投融资，也希望和当地的同行交流，感兴趣的欢迎后台联系。
Google 于 2025 年 4 月推出 Agent-to-Agent (A2A) 开放协议，旨在让不同厂商、不同框架构建的 AI 代理（Agent）能够直接互相通信与协作。我认为这是 Google 希望在 AI Agent 领域延续之前 Android 在移动设备生态的打法的尝试（我会在文章结尾解释）。
A2A 是什么？
A2A 和 MCP、Function Calling、API 的区别？
A2A 的前身和与对未来趋势？
A2A 对打造 Agent 产品的影响？
AI Agent 时代如何打造产品？
💬 A2A 是什么？
目前每天都会出现大量的 AI Agent 产品，比如销售 Agent 和客服 Agent，但是这些 Agent 由不同的公司开发，有各自的数据格式和工作流程，因此不同的 Agent 之间无法直接协作，导致无法实现复杂的需求。
比如：用户找到销售 Agent 反馈产品问题，但这事应该是客服 Agent 处理，但销售 Agent 无法直接让客服 Agent来回答问题或创建工单，就挺尴尬。
💬 A2A 和 MCP、Function Calling、API 的区别？
🤯技术概念太复杂，简单地说：
A2A：让 Agent 之间能够协作。
MCP：让 AI 能够使用外部数据和工具。
Function Calling（函数调用）：让 AI 能够自己调用外部 API。
API（接口）：互联网世界中，存在时间最久、最通用的调用数据和工具的方式。
😏用通俗的例子解释几个之间的关系：
一个工厂里有几个负责不同工作的人（Agent）
这几个人围绕着一条统一的流水线（A2A）进行协作
每个负责人都有一个小助手（MCP），小助手用各种工具🛠️（MCP Tools）帮忙干一些脏活累活
工厂里有很多零件🧷（API），比如螺丝、钉子、玻璃、铁皮等
这些负责人其实自己也可以使用（Function Calling）零件（API）做点东西，只是效率不高，还得一个个学，所以都喜欢找小助手（MCP）帮忙。
✨我弄了个详细对比表格，有需要的自取保存。
💬 A2A 的前身与未来趋势？
✨我最近在调研 A2A 协议时发现，早在50年前就有类似的概念和实现🤯，多智能体协作的思想可以追溯到1970-80年代。当时的研究者开始探讨分布式问题求解，希望多个自主智能体（Agent）互相配合来完成复杂任务。
其中有两个最重要的领域：
多智能体系统（Multi-Agent System, MAS）
分布式人工智能（Distributed AI）
一个著名的早期范式是黑板系统（Blackboard Systems）。在黑板架构中，不同的 Agent 通过共享一个全局“黑板”（公共数据结构）来交流信息：每个Agent可以在黑板上写入或读取部分解，从而逐步构建解决方案。
与此同时，另一项突破是契约网协议（Contract Net Protocol, CNP）。Reid G. Smith在1980年提出CNP，用于多Agent间的任务分配与合作控制。
在契约网中：
一个Agent可作为任务发布者（经理），将任务公告给网络中的其它Agent；
有能力完成任务的Agent作为承包者（投标者）提交投标方案，任务发布者根据投标选择合适Agent执行任务。
这一过程类似封闭式拍卖：任务由最高效的投标Agent获得，任务还可进一步分解再外包。契约网协议提供了一套高层通信与控制机制，使分布式智能体能够通过“招标-投标-授予合约”机制动态协调任务分工。这一协议后来被广泛应用于多智能体任务分配、负载均衡等情景，是早期促进代理协作的里程碑技术。
除了黑板和契约网，1980年代还出现了分布式问题求解策略，如 Durfee 和 Lesser 提出的部分全局规划（Partial Global Planning），让各 Agent 在本地规划的基础上交换计划摘要，从而形成一致的全局方案。
总的来说，这一时期奠定了核心理念：智能可以通过多个自治子实体的交互与协同而涌现，每个Agent自主决策且无集中控制，通过通信实现群体智能。
在互联网领域，曾流行过软代理（Software Agents）概念，指在网络中代表用户执行任务的自治程序。例如，信息检索代理会根据用户兴趣自动搜集新闻，电商代理自动比价和竞拍商品。
麻省理工媒体实验室的“Kasbah”项目（1996）就是让用户创建买卖代理，在线上市场自动讨价还价。此类电子商务代理通过协商协议达成交易，被视为MAS在电子市场的应用雏形。旅行助理代理系统可由多个专门代理（航班查询、酒店预订、路线规划等）互相通信组成：用户的请求会触发不同代理协同满足各子需求，最后汇总结果。
从目标上看，A2A 与历史上的多智能体系统一脉相承：它们都追求让异构智能体能够交流信息、协调行为，形成动态的多Agent生态。不过以往的平台大多在特定范围内运作（如同一技术框架或组织内）。
相比之下，A2A 的目标是在更广泛的企业应用和云环境中，让不同来源的Agent无缝协作。
这对于 Agent 赛道来说意义重大。因为 Agent 在使用 A2A、MCP 协议之后，可以打破数据、开发模式、通信交互、操作环境等诸多壁垒，轻松构建超大规模的复杂智能体自动化流程。
✨一旦 A2A（或者其他类似的多智能体系统） 能够成型，并且 Agent 的能力能够借助更强的大模型、更丰富的MCP工具和API资源进一步提升，那么接下来就有可能出现 Agent的集体智能和涌现现象：
一群 Agent 合作能做的事情更复杂
一群 Agent 能自己发现问题并解决问题
🔮在这个无比美好的未来里，个人生产力借助算力和算法得到极大提升。（人均算力需求将比现在大成千上万倍，因此算力基础设施值得大力投资，英伟达等算力基础设施还会涨😏）
💬 A2A 对打造 Agent 产品的影响？
🤔想象一下，如果我们可以通过手机语音助手，直接调用微信、淘宝、美团这三个App的功能，或者这三个App之间可以相互调用，产品的设计和用户体验会发生什么变化？
在多智能体系统（Multi-Agent System, MAS）里，手机语音助手的角色就像一个终极入口，微信、淘宝、美团可以理解为三个有不同定位的Agent，各自有擅长的地方（可以独立完成任务，也可以互相合作），同时互相有部分重合（互相竞争）。
Agent 之间关系大致分为3种：
独立完成：当任务是具体、不可拆分、可用简单标准量化时，独立完成任务的效率最高。
合作完成：当任务变得不那么具体、需求复杂、量化标准多样时，合作完成的效率最高。
竞争完成：当任务追求相对成本最低时，竞争完成的效率最高。
人在现实中由于时间精力等限制，不可能样样精通，所以会出现技能分化，将更多的时间精力投入到收益最高的事情上。也就是俗话说的：“不要用自己的兴趣挑战别人的吃饭技能”。
✨Agent也类似，由于数据、算力、算法等限制，不可能出现万能 Agent 把所有事情都做完，所以 Agent 也会越来越“高度分化”。
而且由于使用 Agent 产品的不再是人，而是 AI 或者另一个 Agent，AI 是不会被产品里繁多的功能“困住”并产生所谓“用户粘性”和“消费冲动”。因此往单一 Agent 里面塞更多二级功能就没啥用了。
毕竟当我们通过语音助手提出“点个酸辣粉”，AI 永远只会选择能“独立完成”且“完成得最好”的美团，而不是微信和支付宝。
✨因此我的判断是 AI Agent 时代更要把产品做小、做精。要打造一个在特定领域有极致效果的 AI Agent 产品（而不是大而全），才有可能在 A2A 的生态中成功。
🤔在文章开头，我说 A2A 是 Google 希望在 AI Agent 领域延续之前 Android 在移动设备生态的打法的尝试。相信有部分读者已经能够理解其含义：如果A2A 真的能够成为 Agent 时代协作的标准，那就像 Android 通过开源在实际上普及了智能设备并且占据了底层操作系统。
