A2 A Orchestrator

MCPAI代理

提供方 Khaledayman9

AI代理 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

一个分布式多智能体系统,通过A2A协议、MCP和LangGraph协调复杂任务,适用于自动化任务分解与执行。

一句话选型结论

按资料字段整理

A2 A Orchestrator 属于AI代理类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

智能体编排Python本地部署任务自动化分布式系统AI协调多智能体通信

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python -m venv venv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
A2 A Orchestrator当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Khaledayman9上游标注的维护方 Khaledayman9
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

13.5 KB
来自项目仓库与上游目录的原文,未做删改

A2A 代理编排系统

一个分布式多智能体系统,它利用A2A(智能体到智能体)协议、MCP(模型上下文协议)和LangGraph,在专门化的AI智能体之间协调执行复杂任务。

架构概述```

User Query → Orchestrator Agent → [Math Agent | Weather Agent | ...] → Coordinated Response


### 系统流程

1. **用户输入**协调器接收自然语言查询
1. **规划**协调器分析查询并创建执行计划
1. **任务分配**任务被分配给合适的专门代理
1. **并行/顺序执行**任务根据依赖关系执行
1. **响应协调**结果被合并并返回给用户

## 核心组件

### 常用工具:

#### 1. 基础代理(BaseAgent):

- 特点:
- **大型语言模型(LLM)初始化**支持OpenAI(GPT)和Google(Gemini)两种模型
- **内存管理**使用LangGraph的 `MemorySaver` 为了保持对话的连贯性
- **异步生命周期**处理异步初始化 `_ensure_initialized()`
- **工具集成**工具和提示定义的抽象方法
- **响应处理**标准化的响应处理流程

#### 2. BaseAgentExecutor(基类代理执行器):

- 特点:
- **上下文管理**进程 `RequestContext` 带有用户输入和会话数据
- **事件流**用途 `EventQueue` 将响应流式传输回客户端
- **错误处理**将异常转换为适当的A2A错误格式
- **生命周期管理**确保在执行前代理被正确初始化

- 特点:
- **代理卡加载**从JSON文件动态加载配置
- **服务器生命周期**管理uvicorn服务器的启动/关闭
- **A2A(Any-to-Any,任意到任意)集成**创建 `A2AStarletteApplication` 配备合适的处理人员
- **请求路由**用途 `DefaultRequestHandler` 符合A2A协议规范

#### 4. 代理卡系统:

- 代理卡定义为:
- **能力**代理所能执行的操作(流式处理、多模态处理等)
- **技能**带有示例和标签的特定功能
- **终点(或结局指标)**网址和通信偏好
- **元数据**版本、描述、支持的模式

### 代理商;经纪人

#### 1. 交响乐协调器代理(端口10003)

- **目的**中央协调器,负责规划和执行复杂的多智能体工作流程
- **能力**:
- 查询分析与任务分解
- 智能代理路由
- 并行和顺序任务执行
- 依赖管理
- **模型**GPT-4.1
- **技能**任务规划,代理路由

#### 2. 数学代理(端口10004)

- **目的**专业数学计算代理
- **能力**算术运算和功率计算
- **工具**加、减、乘、除、平方、立方、幂运算
- **模型**GPT-4.1
- **响应格式**带有分步解题过程的结构化数学输出

#### 3. 天气代理(端口10005)

- **目的**使用MCP(模型上下文协议)获取天气信息
- **能力**当前天气及预报
- **工具**MCP天气服务器集成
- **技能**查询任何地点的天气

### 代理间通信

#### 远程代理连接

协调器通过HTTP使用A2A协议与其他代理进行通信:

沟通流程:

1. **发现**: `create_from_url()` 从(某处)获取代理卡 `/agent-card` 终端节点
1. **连接**建立具有600秒超时的持久HTTP客户端
1. **发送消息**: `send_message()` 发送A2A格式的请求
1. **响应处理**从结构化的A2A响应格式中提取文本

#### 消息流```
Orchestrator → HTTP POST /send-message → Agent Server
↓
A2A Protocol Message
↓
{
"id": "unique-id",
"params": {
"message": {
"role": "user",
"parts": [{"text": "user input"}]
}
}
}

响应处理

代理返回结构化的响应,这些响应会经过多层处理:

  1. LangGraph 输出返回结构化格式(例如。, MathResponseFormat)
  2. 代理处理: _process_response() 提取相关内容
  3. A2A包装内容被封装在A2A消息格式中
  4. HTTP 响应通过HTTP发送的最终JSON响应

执行流水线

编排器工作流

  1. 规划阶段:
  • 大型语言模型(LLM)分析查询并生成 ExecutionPlan
  • 根据能力将任务分配给合适的代理
  • 计算依赖关系以确保正确排序
  1. 执行阶段:
  • 根据任务关系构建的依赖图
  • 已识别出可执行任务(无待处理依赖项)
  • 使用并行执行 asyncio.gather()
  • 收集结果并更新依赖项
  1. 协调阶段:
  • 依赖任务的结果传递给后续任务
  • 最终响应由所有任务输出整合而成
  • 摘要及状态返回给用户

并行执行与顺序执行示例

  • 案例1:测试单一代理

  • 输入:```text
    What is 5 + 7?


- **结果:**```text
Result: context_id=None extensions=None kind='message' message_id='6a628346-4caa-4f2e-be2b-ac75dfc7f01b' metadata=None parts=[Part(root=TextPart(kind='text', metadata=None, text='Execution Summary: A single math calculation task to compute the sum of 5 and 7.\n\nTask 1 (Math Agent): 5 + 7 = 12\n'))] reference_task_ids=None role= task_id=None
  • 案例2:测试具有并发任务的多个代理

  • 输入:```text
    Calculate 3 * 4 and tell me the weather in New York


- **结果:**```text
context_id=None extensions=None kind='message' message_id='d59c464a-b0e7-4ef2-9a2b-394a518c7bec' metadata=None parts=[Part(root=TextPart(kind='text', metadata=None, text='Execution Summary: First, calculate 3 * 4 using the Math Agent. Second, get the current weather in New York using the Weather Agent. Both tasks are independent and can be executed in parallel.\n\nTask 1 (Math Agent): 3 * 4 = 12\nTask 2 (Weather Agent): It seems there was an issue retrieving the weather for New York. Could you please try again later?\n'))] reference_task_ids=None role= task_id=None
  • 案例3:测试具有顺序(依赖)任务的多个代理

  • 输入:```text
    First calculate 3 × 4. Then, using that result as the day number of this month, tell me the weather in Cairo on that day.


- **结果:**```text
Result: context_id=None extensions=None kind='message' message_id='406de694-0deb-45be-a360-6f22345e0219' metadata=None parts=[Part(root=TextPart(kind='text', metadata=None, text='Execution Summary: First, calculate 3 × 4 to get 12. Then, get the weather in Cairo on the 12th day of this month.\n\nTask 1 (Math Agent): 3 × 4 = 12\nTask 2 (Weather Agent): The weather forecast for Cairo on the 12th day of this month is currently unavailable. Please try again later or provide additional details for assistance.\n'))] reference_task_ids=None role= task_id=None

目录结构```

A2A-Orchestrator/
├── a2a_server/ # Core package
│ ├── agent_cards/ # Agent configuration
│ │ ├── math_agent_card.json
│ │ ├── orchestrator_agent_card.json
│ │ └── weather_agent_card.json
│ ├── agents/ # Agent implementations
│ │ ├── math_agent_server/
│ │ ├── orchestrator_agent_server/
│ │ └── weather_agent_server/
│ ├── common/ # Shared utilities
│ │ ├── agent_card_loader.py
│ │ ├── base_agent.py
│ │ ├── base_agent_executor.py
│ │ ├── base_agent_server.py
│ │ ├── models.py
│ │ ├── prompts.py
│ │ └── remote_agent_connection.py
│ └── mcp/ # Model Context Protocol
│ ├── servers/
│ │ └── weather.py
│ └── servers.json
├── a2a_server_manager.py # Main server manager
├── test_a2a_server.py # Integration tests
├── logger.py # Debugging code
├── requirements.txt
├── pyproject.toml
├── README.md
└── settings.py


## 主要特点

### 智能编排

- **动态规划**自动将复杂查询分解为可执行任务
- **依赖管理**处理顺序和并行任务执行
- **代理发现**自动发现并利用可用的专用代理

### 并行执行

- **独立任务**同时运行以获得最佳性能
- **依赖解析(或依赖关系解析)**当任务依赖于先前结果时,按顺序执行
- **混合执行**根据需要结合并行和顺序模式

### 可扩展架构

- **插件系统**易于添加新的专业代理
- **MCP集成**支持模型上下文协议以实现外部工具集成
- **代理卡**基于JSON的代理能力描述

## 安装与设置

### 先决条件

- Python 3.10+
- UV 包管理器(推荐)或 pip

### 环境设置

1. **克隆项目并导航至项目目录:**```bash
git clone
cd A2A-Orchestrator
  1. 设置环境变量:
    创建一个 .env 文件并设置环境变量:```python

settings.py

OPENAI_API_KEY = "your-openai-key"
OPENAI_BASE_URL = "https://api.openai.com/v1" # Optional
GOOGLE_API_KEY = "your-google-key" # For Gemini models


### 安装方法

#### 选项1:使用紫外线(推荐)```bash
# Install UV if not already installed
curl -LsSf https://astral.sh/uv/install.sh | sh

# Install dependencies
uv sync

# Activate virtual environment
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

选项2:使用Python/Pip```bash

Create virtual environment

python -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate

Install dependencies

pip install -r requirements.txt


## 运行系统

### 启动所有服务器```bash
# Using UV
uv run python a2a_server_manager.py

# Using Python
python a2a_server_manager.py

这将同时启动所有代理服务器:

  • 编排器代理:localhost:10003
  • 数学代理:localhost:10004
  • 天气代理:localhost:10005

启动独立代理(替代方案)```bash

Math Agent only

uv run python -m a2a_server.agents.math_agent_server

Weather Agent only

uv run python -m a2a_server.agents.weather_agent_server

Orchestrator only

uv run python -m a2a_server.agents.orchestrator_agent_server


## 测试

### 运行集成测试```bash
# Make sure all servers are running first
python test_a2a_server.py

手动测试```bash

Test individual agents via HTTP API

curl -X POST http://localhost:10004/send-message \
-H "Content-Type: application/json" \
-d '{"message": "Calculate 5 + 7"}'


## 配置

### 代理卡

每个代理都有一张JSON配置卡,定义了:

- 能力和技能
- 支持的输入/输出模式
- 工具描述及示例
- API终端点

示例结构:```json
{
"name": "Math Agent",
"description": "Mathematical computation specialist",
"url": "http://localhost:10004/",
"skills": [
{
"id": "add",
"name": "Addition",
"description": "Add two numbers",
"examples": ["5 + 7", "add 10 and 20"]
}
]
}

MCP服务器配置

天气代理使用MCP进行外部工具集成:json { "Weather": { "command": "python", "args": ["-m", "a2a_server.mcp.servers.weather"], "transport": "stdio" }, "Weather (UV)": { "command": "uv", "args": ["run", "python", "-m", "a2a_server.mcp.servers.weather"], "transport": "stdio" } }

发展

添加新代理

  1. 创建代理卡添加JSON配置到 agent_cards/
  2. 实现代理扩展 BaseAgent 在 agents/
  3. 创建服务器扩展 BaseAgentServer
  4. 添加到管理器注册于 a2a_server_manager.py
  5. 更新编排器代理将被自动发现

扩展功能

  1. 添加工具为新功能实现LangChain工具
  2. MCP集成通过模型上下文协议添加外部工具
  3. 自定义提示定义特定于代理的行为 prompts.py
  4. 响应格式添加结构化输出模型 models.py

依赖项

核心堆栈

  • langgraph基于图的代理编排
  • LangChain(语言链)大型语言模型(LLM)框架与工具集成
  • fastmcp模型上下文协议实现

大型语言模型(LLM)提供商

  • OpenAI(开放人工智能研究所)GPT模型(主要)
  • 谷歌双子座模型(可选)

网络框架

  • FastAPI/UvicornHTTP服务器基础设施

故障排除

常见问题

  1. 端口冲突检查端口10003-10005是否可用
  2. 速率限制问题共享API密钥问题
    - 问题所有代理都使用在中配置的相同OpenAI API密钥 settings.py
    - 影响高请求量可能会触发429“请求过多”错误
  3. 并行执行放大编曲器的并行任务执行可以发送多个同时请求。在复杂查询期间,会倍增速率限制压力。
  4. 不支持流媒体当前实现缺乏实时流功能
  5. 内存管理仅使用内存存储

调试

  • 在代理中启用调试日志记录
  • 检查单个代理的健康端点
  • 使用 test_a2a_server.py 用于集成测试

性能考量

  • 并行执行独立任务同时运行
  • 连接池HTTP客户端重用连接
  • 内存管理代理使用记忆保存器来管理对话状态
  • 超时处理对长时间运行的操作设置10分钟的超时限制

安全注意事项

  • 本地开发当前配置仅限于本地主机
  • API密钥安全存储,切勿提交至版本控制系统
  • 网络访问考虑生产环境部署时的防火墙规则

未来改进方向

  • 额外的专门人员(编码、研究等)
  • 增强的依赖解析算法
  • 监控和可观测性功能
  • 生产就绪的部署配置
  • 支持WebSocket进行实时通信

许可证

这个项目遵循Apache许可证,第2版进行授权 - 请参阅 许可证 详情见文件。

代码在(此处) common/ 目录来自 谷歌A2A项目 并且也根据Apache许可证,第2版进行授权。

此项目还利用了其他开源库(例如,LangGraph、MCP、FastMCP),这些库均受其各自许可证的约束。

致谢

  • A2A(汽车制造商和装配商协会) – 用于构建编排器和代理的概念及架构模式。
  • LangGraph – 用于实现可组合的代理工作流和结构化编排。

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
A2 A Orchestrator 怎么安装?

在客户端按下面的安装命令接入:python -m venv venv。装完在客户端配置里引用同一个包或端点。

A2 A Orchestrator 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

A2 A Orchestrator 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

A2 A Orchestrator 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

A2 A Orchestrator 能提供哪些能力?

资料显示能力标签包括 Python、分布式系统、任务自动化。具体工具清单以官方文档为准。

A2 A Orchestrator 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

A2 A Orchestrator 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。