A2A协议实战:手把手教你搭建多Agent机票查询系统(含流式返回调试技巧)

从零搭建多Agent系统:基于A2A协议的天气+行程规划Demo全流程 本文详细介绍了如何从零搭建一个基于A2A协议的多Agent系统,实现天气查询与行程规划的智能联动。通过Python和Flask框架,开发者可以构建WeatherAgent和TripAgent,遵循A2A协议进行通信,并实现智能决策。文章包含环境配置、代码实现、系统联调及进阶优化方向,适合对多Agent系统开发感兴趣的读者。 阅读详情

A2A协议实战:手把手教你搭建多Agent机票查询系统(含流式返回调试技巧)

最近在开发一个需要多个AI Agent协作的项目时,遇到了不少关于流式返回和Agent间通信的坑。特别是当需要处理机票查询这类需要实时反馈的场景时,如何让多个Agent高效协作成为了关键挑战。本文将分享如何基于A2A协议构建一个包含机票Agent和调度Agent的协作系统,并重点介绍流式返回数据的调试技巧。

1. 环境准备与基础架构搭建

在开始之前,我们需要准备好开发环境。这个系统需要两个核心组件:调度Agent和机票Agent。调度Agent负责接收用户请求并协调各个专业Agent,而机票Agent则专注于查询航班信息。

推荐开发环境配置:

  • Python 3.9+
  • FastAPI或Flask框架
  • Wireshark(用于网络抓包分析)
  • Postman或cURL(用于API测试)

首先创建一个项目目录结构:

a2a_flight_system/
├── scheduler_agent/
│   ├── main.py
│   ├── requirements.txt
│   └── config.py
├── flight_agent/
│   ├── main.py
│   ├── requirements.txt
│   └── flight_data.py
└── shared/
    └── a2a_protocol.py

安装基础依赖(两个Agent的requirements.txt都需要):

uvicorn==0.22.0
fastapi==0.95.2
httpx==0.24.1
python-dotenv==1.0.0

2. 机票Agent的核心实现

机票Agent需要实现两个关键功能:处理查询请求和支持流式返回。以下是核心代码框架:

# flight_agent/main.py
from fastapi import FastAPI, Request
from fastapi.responses import StreamingResponse
import asyncio
import json
from pydantic import BaseModel

app = FastAPI()

class FlightQuery(BaseModel):
    origin: str
    destination: str
    date: str

@app.post("/flight/search")
async def search_flights(query: FlightQuery):
    async def generate():
        # 模拟流式返回航班数据
        flights = [
            {"flight_no": "FAKE-001", "departure": "08:00", "seats": 5},
            {"flight_no": "FAKE-002", "departure": "12:00", "seats": 3},
            {"flight_no": "FAKE-003", "departure": "18:00", "seats": 10}
        ]
        
        # 先返回任务已提交状态
        yield json.dumps({
            "jsonrpc": "2.0",
            "result": {
                "status": {"state": "submitted"},
                "contextId": "demo-context"
            }
        }) + "\n"
        
        # 模拟处理延迟
        await asyncio.sleep(1)
        
        # 流式返回航班信息
        for i, flight in enumerate(flights):
            yield json.dumps({
                "jsonrpc": "2.0",
                "result": {
                    "append": True,
                    "artifact": {
                        "parts": [{"kind": "text", "text": f"{i+1}. {flight['flight_no']} {flight['departure']} 余票{flight['seats']}张"}]},
                    "kind": "artifact-update",
                    "lastChunk": i == len(flights)-1
                }
            }) + "\n"
            await asyncio.sleep(0.5)
        
        # 最终返回任务完成状态
        yield json.dumps({
            "jsonrpc": "2.0",
            "result": {
                "status": {"state": "completed"},
                "final": True
            }
        }) + "\n"
    
    return StreamingResponse(generate(), media_type="application/x-ndjson")

机票Agent的A2A协议实现要点:

  1. 使用StreamingResponse实现流式返回
  2. 遵循A2A协议的JSON-RPC格式
  3. 包含完整的状态更新流程(submitted → artifact-update → completed)
  4. 每个数据块以换行符分隔(NDJSON格式)

3. 调度Agent的集成逻辑

调度Agent需要能够发现并调用机票Agent。以下是关键实现部分:

# scheduler_agent/main.py
from fastapi import FastAPI
import httpx
from pydantic import BaseModel
import json

app = FastAPI()

class UserQuery(BaseModel):
    text: str

registered_agents = {
    "flight": {
        "url": "http://localhost:10001",
        "capabilities": ["flight_search"],
        "streaming": True
    }
}

@app.post("/query")
async def handle_query(query: UserQuery):
    # 解析用户意图
    if "机票" in query.text or "航班" in query.text:
        agent_url = registered_agents["flight"]["url"]
        
        # 构造A2A协议请求
        a2a_request = {
            "jsonrpc": "2.0",
            "method": "message/stream",
            "params": {
                "message": {
                    "role": "user",
                    "parts": [{"kind": "text", "text": query.text}]
                }
            }
        }
        
        # 调用机票Agent并处理流式响应
        async with httpx.AsyncClient() as client:
            response = await client.post(
                f"{agent_url}/flight/search",
                json=a2a_request,
                timeout=30.0
            )
            
            if response.status_code != 200:
                return {"error": "Flight agent unavailable"}
            
            # 处理流式响应(简化版,实际需要更复杂的处理)
            chunks = []
            async for chunk in response.aiter_lines():
                data = json.loads(chunk)
                if "artifact" in data.get("result", {}):
                    chunks.append(data["result"]["artifact"]["parts"][0]["text"])
            
            return {"response": " ".join(chunks)}
    
    return {"error": "No suitable agent found"}

调度Agent的关键功能:

  1. Agent注册与管理
  2. 用户意图识别与路由
  3. A2A协议请求构造
  4. 流式响应处理

4. Wireshark抓包分析与调试技巧

当系统行为不符合预期时,网络抓包是最直接的调试手段。以下是使用Wireshark分析A2A流式交互的具体步骤:

抓包配置步骤:

  1. 打开Wireshark,选择正确的网络接口(通常为Loopback)
  2. 设置过滤条件:http and (tcp.port == 10000 or tcp.port == 10001)
  3. 启动系统并发送测试请求

典型A2A流式交互分析:

序号方向关键字段说明
1客户端→服务端method: "message/stream"请求流式交互
2服务端→客户端state: "submitted"任务已提交
3服务端→客户端kind: "artifact-update"数据块1
4服务端→客户端kind: "artifact-update"数据块2
5服务端→客户端state: "completed"任务完成

常见问题排查:

  1. 端口冲突问题:

    • 症状:Agent启动失败,报"Address already in use"
    • 解决方案:
      # 查找占用端口的进程
      lsof -i :10001
      # 终止进程
      kill <PID>
      
  2. 流式中断问题:

    • 症状:客户端只收到部分结果
    • 检查点:
      • 网络连接稳定性
      • 服务端是否正确发送了lastChunk标志
      • 客户端是否正确处理了连接关闭信号
  3. 协议格式错误:

    • 症状:客户端无法解析响应
    • 验证工具:
      import json
      def validate_chunk(chunk):
          try:
              data = json.loads(chunk)
              assert "jsonrpc" in data
              return True
          except:
              return False
      

5. 高级技巧与性能优化

当系统需要处理高并发请求时,需要考虑以下优化策略:

连接池配置:

# 在调度Agent中优化HTTP客户端
async with httpx.AsyncClient(
    limits=httpx.Limits(
        max_connections=100,
        max_keepalive_connections=20
    ),
    timeout=httpx.Timeout(30.0)
) as client:
    # 使用client进行请求

流式处理优化:

  1. 使用异步生成器减少内存占用
  2. 实现早期中断处理(当用户取消请求时)
  3. 添加心跳机制保持长连接
# 改进的机票Agent流式实现
async def generate():
    try:
        # ...原有逻辑...
        
        # 添加心跳
        while not task_complete:
            yield " "  # 心跳包
            await asyncio.sleep(5)
            
    except asyncio.CancelledError:
        print("客户端断开连接")
        raise

Agent Card配置示例:

{
  "name": "Flight Agent",
  "description": "提供实时航班查询服务",
  "url": "http://localhost:10001",
  "capabilities": {
    "streaming": true,
    "supported_queries": ["flight_status", "seat_availability"]
  },
  "skills": [
    {
      "id": "flight_search",
      "name": "航班查询",
      "examples": ["查询明天北京到上海的航班"]
    }
  ]
}

在实际项目中,我们发现流式返回的平均延迟比普通请求高出约15-20%,但用户体验提升显著。通过合理的连接管理和资源分配,系统可以支持每秒50+的并发查询请求。

从订机票到查天气:用A2A协议拆解多Agent协作的5个核心设计模式 本文以旅行规划场景为例,深入解析了基于Google A2A协议构建多Agent系统的5个核心设计模式,包括同步调用、流式返回、Agent发现、任务分解与状态管理。文章重点阐述了A2A协议如何标准化智能体间的通信与协作,为构建高效、可靠的多Agent应用提供了可复用的架构方法论。 阅读详情

相关推荐

Agent 2.0“三剑客”实战指南:MCP协议、A2A协议、AG-UI协议在智能客服系统中的应用

本文深入探讨了Agent 2.0时代智能客服系统的核心构建方案,重点解析了MCP协议、A2A协议和AG-UI协议这“三剑客”的实战应用。通过具体案例,展示了如何利用MCP协议为AI客服装上“外部工具箱”,调用知识库与API;如何通过A2A协议实现多个AI Agent间的专业化协作;以及如何借助AG-UI协议打造流畅、透明的实时对话交互体验,从而构建出真正高效、可扩展的下一代智能客服系统。

weixin_29164843的博客 553

A2A协议实战:用Python搭建多Agent机票查询系统(含流式返回调试技巧)

本文详细介绍了如何使用Python和A2A协议搭建多Agent机票查询系统,重点讲解了流式返回的实现与调试技巧。通过FastAPI构建Agent服务,实现多Agent协作的航班查询流程,提升系统响应速度和用户体验。文章包含完整的代码示例和实战调试方法,适合开发者快速掌握多Agent系统开发。

ice55的博客 460

从零搭建AIGC Agent系统:基于Spring AI的OTA旅行助手实战

在实际 AI 应用开发中,很多团队已经能够熟练调用大模型 API 完成单轮对话,但一旦涉及多轮交互、工具调用、状态记忆和复杂任务分解,就会遇到逻辑分散、难以维护的问题。这正是 AIGC Agent(智能体)要解决的核心痛点——它不是一个简单的聊天接口,而是一个能理解用户意图、规划执行步骤、使用外部工具并保持会话状态的自主任务处理系统。 从技术架构角度看,AIGC Agent 通常包含感知、规划、行动、记忆等核心模块,通过大语言模型(LLM)作为大脑,协调整个任务执行流程。这种架构让 AI 系统从“问答机”升

weixin_34348805的博客 320

LangChain Agent高级控制:命名、结构化输出与流式模式实战

在构建基于大语言模型(LLM)的智能体(Agent)应用时,如何实现精细化的控制与可观测性是工程实践中的核心挑战。其原理在于通过设计模式与框架支持,将Agent从“黑盒”转变为“白盒”,从而提升其在生产环境中的可靠性。这项技术的核心价值在于增强Agent的可操作性、可集成性与可观测性,使其能够胜任复杂的自动化任务,例如智能客服、数据分析与工作流编排等场景。具体到LangChain框架,实现这一目标的关键技术手段包括:为Agent与工具进行清晰的命名以支持链路追踪与调试;利用Pydantic模型实现强类型的结

weixin_33727510的博客 795

AI Agent开发实战:从核心架构到项目落地的系统指南

如果你正在学习大模型和AI Agent开发,可能会遇到这样的困境:看了很多零散教程,却依然不知道如何从零构建一个可用的Agent;或者跟着某个视频敲完了代码,但换一个需求就无从下手。更让人焦虑的是,这个领域似乎每天都在涌现新框架和新概念,让人感觉永远在追赶,却从未真正掌握。 这篇文章要解决的,正是这个核心痛点。我不会给你一个“一周速成”的虚幻承诺,而是为你梳理出一条清晰的、可落地的AI Agent开发学习路径。本文基于对当前主流Agent框架、开发模式和实践案例的深度梳理,旨在帮你构建系统的知识体系,而非碎

weixin_30696427的博客 404

从工程视角重构Agent开发:Hello-Agents五段式实战指南

智能体(Agent)正从LLM应用范式演进为新一代软件工程范式,其核心在于目标导向的自主决策闭环、多Agent协同协议(如MCP)与上下文韧性设计。不同于传统API调用或提示词优化,现代Agent开发需直面上下文坍塌、记忆失焦、状态同步等系统性挑战,技术价值体现在可解释性、可审计性与生产级鲁棒性上。典型应用场景涵盖医疗预警、供应链调度、政务助手等强约束业务系统,要求开发者具备协议层理解力与自研框架能力。本教程以Hello-Agents开源项目为蓝本,深度解析ReAct实现、HybridRetriever检索

weixin_30381317的博客 344

手把手教你用JSON-RPC 2.0实现A2A协议:从天气Agent到调度Agent的完整通信流程

本文详细介绍了如何利用JSON-RPC 2.0协议实现A2A(Agent-to-Agent)通信。通过一个从天气查询Agent到调度Agent的完整交互案例,手把手演示了Agent Card定义、JSON-RPC 2.0请求/响应格式解析,以及同步调用的核心流程,为构建灵活、可扩展的多智能体协作系统提供了实用指南。

h0i1j2k3l的博客 461

LangGraph框架解析:构建生产级Agent的核心架构与实践

现代Agent系统开发正从线性流程转向图结构范式,其中状态管理与消息总线设计是关键突破点。LangGraph作为新一代框架,通过图节点抽象实现复杂工作流的模块化编排,其三级混合内存系统(工作内存/会话存储/长期记忆)显著提升性能表现。在工程实践中,这种架构特别适合需要多决策分支的场景,如智能客服或保险理赔系统,可降低30%响应延迟并提升40%流程可读性。结合向量数据库实现语义检索、采用发布-订阅模式的消息总线,开发者能构建具备容错能力和实时流式输出的生产级Agent。

weixin_30932215的博客 473

AIGC Agent开发实战:基于Spring AI的智能代理系统架构与实现

随着AI技术的快速发展,AIGC Agent正成为技术圈热议的话题。昆仑万维方汉提出的"AIGC Agent是被系统性低估的结构性机会"观点,引发了业界对Agent技术价值的重新思考。本文将从技术实践角度,深入解析AIGC Agent的核心概念、开发实战和未来趋势,帮助开发者全面掌握这一重要技术方向。 1. AIGC Agent技术概述 1.1 什么是AIGC Agent AIGC Agent(AI Generated Content Agent)是基于大语言模型的智能代理系统,它能够理解用户意图、执行复杂

weixin_33991418的博客 391

LangGraph图编排实战:构建可调试、可恢复的生产级LLM Agent

LLM Agent本质是具备状态管理、条件决策与错误恢复能力的智能体系统,其核心挑战在于如何实现稳定的状态流转与可控的执行路径。传统线性调用或消息驱动方案难以满足工程化要求,而基于有向状态图(Directed State Graph)的图编排范式,通过显式定义节点、边与类型安全状态,天然支持循环推理、工具调用与fallback机制。LangGraph作为专为Agent设计的运行时框架,将状态机原理落地为可持久化、可回放、可监控的Python原生实现,显著提升AI系统在电商工单、客服助手等真实业务场景中的可靠

Bob1228的专栏 415

LangGraph构建可调试AI Agent:图编排、状态管理与生产落地

AI Agent并非简单调用大模型,而是具备目标导向、状态记忆与多步推理能力的自主服务单元。其核心挑战在于流程编排的可验证性、状态一致性与故障恢复能力。LangGraph以有向图(Directed Graph)为执行拓扑,通过显式节点定义、条件边路由与强类型State(基于Pydantic)实现工程级可控性,显著区别于线性链式框架(如RunnableSequence)或对话模拟框架(如AutoGen)。它天然支持checkpoint持久化、人工中断介入、Mermaid可视化调试及嵌套子图,是构建真实业务闭环

weixin_30654583的博客 639

【AI大模型应用开发】【项目实战】35.基于A2A协议的智能助手(多智能体)(三)项目实现之天气MCP服务器&票务员MCP服务器&订票MCP服务器

三个基于MCP协议的服务器:天气查询、票务查询和票务预订服务。天气MCP服务器=提供weather_data表的JSON格式查询接口,包含日期时间格式化处理;票务查询服务器=支持火车票、机票和演唱会票的数据查询;票务预订服务器=实现了火车票、机票和演唱会票的预订功能。每个服务都通过FastAPI提供HTTP接口,包含自定义JSON编码器处理特殊数据类型,并配有完整的客户端测试脚本。系统采用模块化设计,包含配置管理、日志记录和异常处理机制,通过MCP协议实现AI模型与服务的交互。

资深系统架构,深耕高并发研发与 AI 大模型工程化落地。技术栈以 Python (AI/NLP/RAG/Agent) 与 Golang (高并发架构) 为双核心,兼具 PHP 大型应用经验。专注算法落地、复杂系统设计及团队技术赋能 593

基于reSpeaker XVF3800与Agora Agent v2的边缘AI语音交互部署实战

边缘计算将数据处理从云端下沉至网络边缘的设备端,其核心原理是在靠近数据源的位置进行实时分析和决策,从而显著降低延迟、提升响应速度并保障数据隐私。这一技术价值在实时性要求高、网络不稳定或数据敏感的领域尤为突出,例如智能家居、工业物联网和线下零售。在这些应用场景中,边缘AI语音交互作为关键技术,能够实现完全离线的实时对话,彻底摆脱对云端服务的依赖。本文聚焦于如何利用reSpeaker XVF3800高性能麦克风阵列开发板与Agora Conversational AI Agent v2 SDK,构建一个低延迟、

weixin_34146805的博客 655

AI智能体开发实战:用18个模块从零搭建可上线的Agent系统

ai-agents-for-beginners 是微软开源的 AI 智能体开发课程仓库,用 18 个模块带你从第一个 Agent 写到可部署的多智能体系统。适合有 Python 基础、想动手做 AI Agent 落地的开发者,每课都配了 Python 和 .NET 两套可运行代码。 ## 它到底在解决什么问题 普通 LLM 应用只会生成文本,而智能体(Agent)能调用工具、查数据库、循环修正

gitblog_00504的博客 516

AI Agent开发实战:从核心原理到项目部署的完整指南

AI Agent作为能够感知环境、自主决策并执行行动以达成目标的智能程序,其核心原理在于模拟智能体的规划、记忆与工具调用能力。在技术实现上,通过大型语言模型的思维链进行任务分解与规划,结合向量数据库实现长期记忆存储与检索,并利用工具调用模块扩展其执行能力,从而完成多步骤的复杂任务。这种架构赋予了AI Agent高度的自主性和实用性,使其在自动化工作流、智能助手、数据分析与报告生成等场景中展现出巨大价值。本文聚焦于AI Agent Skill开发与网页查询等具体应用,通过ReAct范式与LangChain等框

weixin_34067102的博客 475

AD9361 官方例程详解(一)

文章目录前言一、pandas是什么?二、使用步骤总结 前言 一、pandas是什么? 二、使用步骤 总结

weixin_44630490的博客 4万+

AI Agent多意图路由与动态查询分发引擎设计

多意图路由是AI Agent系统中的核心技术,通过语义理解和任务分解实现复杂请求的精准处理。其核心原理采用分层决策机制,结合动态权重分配算法,将复合意图拆分为原子任务并优化执行路径。在工程实现上,Transformer-CNN混合编码方案和自适应流量调度算法能显著提升性能,支持高达10万QPS的并发处理。典型应用场景包括智能对话系统、复合查询服务等,其中意图特征编码和路由决策树优化是关键突破点。现代架构通过微服务化部署和三级缓存策略,使系统吞吐量提升近3倍,为构建高效可靠的智能服务提供核心支撑。

weixin_34254848的博客 371

kaggle——信用卡欺诈检测项目实战

笔记第一步:了解题目,确定任务第二步:场景分析第三步:数据预处理看是否有缺失值查看样本类别分布数据不均衡解决办法数据值标准化/归一化第四步:特征工程1)查看特征分布情况,把不同类别下特征分布相差不大的特征删除掉2)特征缩放第五步:模型训练处理不平衡样本交叉验证求取最好的模型参数第六步:模型评估使用下采样数据训练与测试使用下采样数据训练与测试(不同的阈值对结果的影响)使用下采样数据训练,原始数据进行测试原始数据进行K折交叉验证使用原始数据进行训练和测试查看ROC曲线逻辑回归阈值选择过采样总结 第一步:了解题目

weixin_45942265的博客 1万+

Spring AI ReAct Agent 教程:从单步工具调用到多工具自主编排(附完整代码)

在使用 Spring AI 开发 AI 应用时,(函数调用)功能让 AI 能够调用外部工具扩展能力。但当你需要 AI 同时调用多个工具并综合结果时,单步的工具调用就力不从心了。Spring AI Tool Calling 的特点用户说一句,AI 调一个工具,返回单个结果无法自动决定调用哪些工具无法综合多个工具的结果传统的是单步执行用户提问 → AI 调用一个工具 → 返回单个结果用户需求:「帮我规划下周三去上海的出行,要预订机票、酒店,顺便查一下上海的天气。

qq_39805994的博客 888

OSMDroid 切换地图不更新的问题

用OSMDroid加载Google地图的时候 需要有按钮切换不同图层的地图,如果发现调用了mMapView.setTileSource(ITileSource aTileSource)方法的时候发现地图View没有更新的话,可能是因为两个实例化TileSource对象其子类BitmapTileSourceBase这个类的aName成员变量值一样导致的地图在setTileSource出现不更新问题,...

godoge的博客 1040

SFR算法实现详解:从边缘检测到MTF计算的完整流程

本文详细解析了SFR算法从边缘检测到MTF计算的完整流程,包括边缘检测、ESF超采样、LSF差分等关键步骤。通过代码示例和实战经验,帮助开发者高效实现成像系统解析力评估,优化MTF测量精度。适用于摄像头模组调试、工业检测等场景。

Black的专栏 1010

大模型与Agent技术:从原理到实战开发指南

大模型作为AI领域的核心技术,通过海量数据训练获得强大的语言理解和生成能力。而Agent技术则赋予大模型自主行动的能力,使其能够理解复杂任务、规划执行步骤并调用各类工具。这种脑手协作模式在金融风控、智能客服等场景展现出巨大价值。本文深入解析Agent系统的核心架构,包括规划模块、记忆模块、工具集和执行引擎,并分享基于LangChain框架的实战开发经验。特别针对任务分解、API集成、异常处理等关键环节,提供可复用的代码示例和性能优化技巧,帮助开发者快速构建企业级Agent应用。

407

西红柿成熟度检测数据集总结

成熟度类别标注数量semiripe(半成熟)10275rotten(腐烂)13470fullyripe(完全成熟)35031unripe(未成熟)26212。

crz1336768325的博客 2130
上一篇: 面试官最爱问的Redisson看门狗:从源码解析到高频面试题解答
下一篇: Verilog实战:手把手教你优化valid/ready握手协议时序(附完整代码)
python9snake
博客等级 码龄1天 0粉丝 1724原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值