单个 Agent 做长程复杂任务时，很容易顾此失彼：又要规划、又要检索、又要写代码。多智能体分工协作是自然的演进方向，而协作的第一步，是让智能体之间能"对话"。

## 常见的任务委派模式

- **主从式**：一个 orchestrator 负责拆解任务，分发给执行型 worker，最后汇总结果。适合流程清晰、步骤可预期的任务。
- **对等协作**：多个专长 Agent 平级协商，比如"检索员 + 分析师 + 写手"流水作业，彼此可以追问和纠偏。
- **串行流水线**：按阶段串行推进，上一环的输出就是下一环的输入，适合文档处理、内容生产这类线性流程。

## A2A 协议要点

Google 在 2025 年 4 月发布了 Agent2Agent（A2A）协议，目标是让不同厂商、不同框架的 Agent 能互相发现与协作。核心设计有三块：Agent Card，即标准化的能力描述文件，声明"我能做什么、输入输出是什么"，相当于智能体的名片；任务生命周期，任务有提交、执行中、完成、失败等标准状态，调用方可以轮询或订阅推送跟踪进度；消息与产物，Agent 间交换结构化消息，任务产出以 artifact 形式返回，并支持流式更新。

## 状态同步与冲突处理

多智能体最头疼的是"各自为政"。实践中的做法：维护共享的任务状态中心，记录任务拆解树和每个子任务的状态；子任务设计为幂等，失败可以安全重试；用版本号或乐观锁避免两个 Agent 同时修改同一份资源；一致性做到最终一致即可，不必追求强一致，否则协调成本会吃掉分工的收益。

## 与 MCP 的分工

一句话区分：MCP 连工具，A2A 连智能体。MCP（Anthropic 在 2024 年底发布）解决的是"Agent 如何调用外部工具和数据源"；A2A 解决的是"Agent 如何找到另一个 Agent 并把任务交出去"。两者互补：一个扩展单体 Agent 的能力边界，一个扩展智能体的组织形态。

落地建议：先从主从式做起，用 A2A 的 Agent Card 做能力注册，内部消息先用轻量队列跑通，验证价值后再做协议标准化。大家在多智能体协作里，更倾向中心化调度还是去中心化协商？欢迎讨论。