过去的一个多月里，一直在为毕业生进行软件工程与 AI 开发能力培训，直到最近才有空为 AutoDev 完善 A2A 能力的支持。顺带一提，毕业生 对于 AI 的热情远比大部分工作多年的开发者强烈得多，也怪不得有些公司老是要裁员去招新人，以重塑团队结构。

在最近，终于在假期附近可以抽出时间，为 AutoDev 添加上之前心心念念的 A2A 协议支持。

简述 A2A => 任务委托与协作，更好的架构

A2A（Google 推出的 Agent-to-Agent 协议）协议的出现，旨在解决 AI 智能体生态系统中的一个根本性难题， 并为构建一个真正互联互通的智能网络提供基础。

其工作方式可以用几行简单的代码来直观展示：

Message message = A2A.toUserMessage("tell me a joke");
jokeClient.sendMessage(message);

通过 A2A 协议，你可以将任务以 message 的形式委托给其它的智能体来完成。这种机制与 基于 LLM 的路由（LLM-based Routing）有一定的相似性。 只是 Routing 更适合在单个智能体系统内进行任务分配，而 A2A 更适合于跨智能体、跨系统的协作。

因此，A2A 会带来更好的架构设计，即解耦系统中的各种直接依赖，让代码更加模块化易于用 AI 生成和重写。

AutoDev A2A 与 MCP 共生：智能即 Tool

在过去的实现里，AutoDev 已经实现了双向 MCP 的能力，AutoDev 作为一个 MCP 服务端，可以被任何 Agent Tool 调用；同时，AutoDev 作为一个 MCP 客户端，可以调用任何 MCP Tool。

而现在引入了 A2A 则是将其作为现有 Tool 的补充，即在 AutoDev Sketch 可以将任务委托给一个 MCP Tool，也可以由其它的智能体来完成。 A2A 和 MCP（Model Context Protocol）在这里相当于互补而非竞争：

• MCP： 负责规范 Coding 智能体与工具之间的通信。可以直接连接并使用外部工具、API 和数据源 。
• A2A： 负责规范 Coding 智能体与智能体之间的通信。可以接入远程的各类 AI Agent，以简化现有的 MCP 调用参数容易出错。

AutoDev A2A 实现

在 AutoDev 中 A2A 的实现逻辑如下：

• 提示词组装。在 A2ASketchToolchainProvider 将 AgentCard 转换为 AgentTool，就可以变为统一的 Tool，提供提示词给 AI。
• 工具调用。在调用的时候，通过 A2AInsCommand 将 message 发送到对应的 AI Agent 然后由 AI Agent 执行。

即也是基于现有的 Tool 抽象来的实现，以将 MCP Tool 和 A2A 统一管理。

AutoDev A2A 使用

在使用时，与 MCP 的配置是类似的，有区别的是配置的方式：

{
  "mcpServers": {
    "weather": {
      "command": "java",
      "args": [
        "-jar",
        "/Volumes/source/ai/autodev-mcp-test/java-mcp/target/mcp-0.0.1-SNAPSHOT.jar"
      ]
    }
  },
  "a2aServers": {
    "remote-example": {
      "url": "http://localhost:9999"
    }
  }
}

即现在需要在 AutoDev 的配置文件中，添加 a2aServers 的配置，即可将对应的 AI Agent 添加到 AutoDev 中。然后，就可以直接在 DevInsCommand 中使用

/a2a:remote-example
```json
{
  "agent": "Hello World Agent",
  "message": "Please review this code for potential security vulnerabilities"
}
```

AutoDev A2A Debugger

相似的，我们也为 A2A 添加了 Debugger 的能力。只需要创建同样的 *.mcp.json 文件，然后点击切换 A2A 就可以进行简单的测试了：

可以查看详细信息，并发送消息进行测试。

总结

虽然 AutoDev 作为开源 AI 编程工具仍以插件形态存在，功能上暂时落后于商业化产品，但这也正赋予了它独特的优势：

• 实验前沿架构模式：通过引入 A2A 与 MCP 的协作机制，AutoDev 可以尝试跨智能体、跨系统的任务分发与协作，这是闭源商业工具难以轻易实现的。
• 可持续演进与重构空间：开源特性允许社区不断优化架构，探索更模块化、解耦化的 AI 编程方式，为自动化生成和重写代码提供理想实验场。
• 开源生态探索：AutoDev 可以成为不同智能体、工具与协议的互操作平台，为构建真正互联互通的智能网络提供实践样板。

换句话说，AutoDev 不只是追赶商业工具，而是在开源环境下探索下一代 AI 编程架构与协作模式的试验田。