1. 从 MCP 到 A2A：多厂商 Agent 协作到底缺了什么
如果你最近在折腾 Agent 开发，大概率已经被 MCP（Model Context Protocol）刷过屏。MCP 解决的是「Agent 怎么调用工具和上下文」的问题——把数据库、文件系统、搜索 API 包装成统一的 Server，模型侧通过标准协议去调用。但真正上手做多 Agent 系统时，你会发现一个更棘手的问题：不同厂商、不同框架构建的 Agent 之间，怎么互相通信、发现能力、协商任务？
这就是谷歌开源 A2A（Agent2Agent）协议要解决的事。简单说，MCP 是「Agent 连接工具」，A2A 是「Agent 连接 Agent」。前者让单个 Agent 变强，后者让一群 Agent 能组队干活。A2A 基于 HTTP、SSE、JSON-RPC 这些现有标准构建，核心概念包括 Agent Card（用 JSON 描述自身能力）、Task（有生命周期的任务对象）、Artifact（任务产出物），以及消息协商机制。它默认支持企业级认证授权，能跑长时间任务，模态无关。
那这跟 TaoToken 有什么关系？实际开发中，你往往需要同时对接多个模型厂商的 Agent——比如用 Claude 做规划、用 Gemini 做检索、用国产模型做本地化处理。每个厂商一套 Key、一套鉴权、一套计费，配置散落在各处，调试时切换成本极高。TaoToken 提供统一 API Key，把多厂商模型的调用收敛到一个入口，配合 A2A 的 Agent 协作场景，你可以在 settings.json 和 config.toml 里用同一套凭证驱动多个 Agent。下面我会给出可直接复制的配置骨架，以及多厂商 Agent 协作的验证步骤和排错清单。
2. TaoToken 前置准备：统一 Key 与接入信息
在开始配置 A2A Agent 之前，你需要先拿到 TaoToken 的 API Key，并确认接入地址。这一步不复杂，但有几个细节容易踩坑。
首先访问 TaoToken 官网注册并登录，进入控制台后创建 API Key。建议按用途分 Key，比如一个用于开发调试、一个用于生产 Agent 调用，方便后续排查问题时定位来源。创建完成后把 Key 复制保存，它只会完整显示一次。
接入地址方面，API 端点是https://taotoken.net/api，这个地址不加任何查询参数，直接作为 base_url 使用。官网地址是https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=，控制台和文档入口都在里面。
| 项目 | 值 | 说明 |
|---|---|---|
| API Base URL | https://taotoken.net/api | 所有模型调用的统一入口 |
| 鉴权方式 | Bearer Token | 请求头Authorization: Bearer <你的Key> |
| 控制台 | 官网内 console 入口 | 管理 Key、查看用量 |
| 接入文档 | 官网内 doc 入口 | 各语言 SDK 示例 |
| 模型对话 | 官网内模型对话入口 | 在线验证模型可用性 |
| Coding Plan | 官网内 coding-plan 入口 | 长期编码/Agent 场景套餐 |
拿到 Key 后，先别急着写 Agent 配置。建议用模型对话功能做一次最小验证，确认 Key 有效、网络可达、模型列表正常返回。这一步能帮你排除掉大部分「配置写了但跑不通」的问题。验证通过后再进入下面的配置文件环节。
注意：API Key 不要硬编码在会提交到 Git 的配置文件里。开发阶段可以用环境变量注入，生产环境建议走密钥管理服务。
3. 可复制配置：settings.json 与 config.toml 骨架
A2A Agent 的配置通常分两部分：一部分是 Agent 自身的运行参数（用 settings.json），另一部分是模型接入和工具链配置（用 config.toml）。下面给出的是骨架，你可以直接复制后替换 Key 和模型名。
3.1 settings.json：Agent 运行与 A2A 端点配置
{ "agent": { "name": "planner-agent", "version": "1.0.0", "description": "负责任务规划与分解的客户端 Agent", "capabilities": { "streaming": true, "pushNotifications": false, "longRunningTasks": true }, "defaultInputModes": ["text/plain"], "defaultOutputModes": ["text/plain", "application/json"], "skills": [ { "id": "task-decomposition", "name": "任务分解", "description": "将复杂任务拆解为可执行的子任务", "tags": ["planning", "decomposition"] } ] }, "a2a": { "endpoint": "http://localhost:8080/a2a", "agentCardPath": "/.well-known/agent.json", "auth": { "type": "bearer", "tokenEnv": "TAOTOKEN_API_KEY" }, "peerAgents": [ { "name": "retrieval-agent", "url": "http://localhost:8081/a2a", "description": "负责信息检索的远程 Agent" }, { "name": "executor-agent", "url": "http://localhost:8082/a2a", "description": "负责代码执行的远程 Agent" } ] }, "runtime": { "maxConcurrentTasks": 4, "taskTimeoutSeconds": 300, "logLevel": "info" } }这份配置里，agent段描述自身能力，对应 A2A 的 Agent Card 概念；a2a.peerAgents列出你要协作的远程 Agent 地址；auth.tokenEnv指向环境变量，避免 Key 明文落盘。
3.2 config.toml：模型接入与工具链配置
[model] provider = "taotoken" base_url = "https://taotoken.net/api" api_key_env = "TAOTOKEN_API_KEY" default_model = "claude-3-5-sonnet" fallback_model = "gemini-1.5-pro" timeout_seconds = 120 max_retries = 3 [model.routing] # 按任务类型路由到不同模型 planning = "claude-3-5-sonnet" retrieval = "gemini-1.5-pro" code_execution = "claude-3-5-sonnet" [mcp] enabled = true servers = [ { name = "filesystem", command = "npx", args = ["-y", "@modelcontextprotocol/server-filesystem", "./workspace"] }, { name = "fetch", command = "npx", args = ["-y", "@modelcontextprotocol/server-fetch"] } ] [a2a] enabled = true agent_card_ttl_seconds = 60 task_poll_interval_ms = 500 max_message_size_kb = 512 [logging] level = "info" format = "json" output = "./logs/agent.log"config.toml里最关键的是[model]段：base_url固定为 TaoToken 的 API 地址，api_key_env指向环境变量，default_model和fallback_model做容错。[model.routing]让你按任务类型把请求分发到不同模型，这在多 Agent 协作里很实用——规划类任务用推理强的模型，检索类任务用长上下文模型。
3.3 环境变量注入
export TAOTOKEN_API_KEY="sk-你的实际Key" export A2A_AGENT_PORT=8080 export LOG_LEVEL=infoWindows PowerShell 用$env:TAOTOKEN_API_KEY="sk-..."。设置完可以用echo $TAOTOKEN_API_KEY确认是否生效。
4. 验证请求：多厂商 Agent 协作跑通
配置写完后，需要分三步验证：先验证单模型调用，再验证 A2A Agent Card 发现，最后验证多 Agent 任务协作。
4.1 验证 TaoToken 模型调用
用 curl 发一个最小请求，确认 Key 和 base_url 正确：
curl -X POST https://taotoken.net/api/v1/chat/completions \ -H "Authorization: Bearer $TAOTOKEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "claude-3-5-sonnet", "messages": [{"role": "user", "content": "回复 OK 两个字母"}], "max_tokens": 10 }'如果返回 JSON 里choices[0].message.content包含 OK，说明模型接入正常。如果返回 401，检查 Key 是否复制完整；返回 404，检查 base_url 是否多了斜杠或路径。
4.2 验证 Agent Card 发现
启动你的 Agent 服务后，访问 Agent Card 端点：
curl http://localhost:8080/.well-known/agent.json正常应返回类似：
{ "name": "planner-agent", "version": "1.0.0", "capabilities": {"streaming": true, "longRunningTasks": true}, "skills": [{"id": "task-decomposition", "name": "任务分解"}] }这一步验证的是 A2A 的「能力发现」机制。如果返回 404，检查agentCardPath配置和路由注册；如果返回 500，看 Agent 启动日志里有没有序列化错误。
4.3 验证多 Agent 任务协作
用一个简单任务串起两个 Agent：planner-agent 接收任务后，通过 A2A 调用 retrieval-agent 获取信息，再返回结果。
import httpx import asyncio async def send_task(agent_url, task_text): async with httpx.AsyncClient(timeout=60) as client: resp = await client.post( f"{agent_url}/tasks", json={ "jsonrpc": "2.0", "method": "tasks/send", "params": { "id": "task-001", "message": { "role": "user", "parts": [{"type": "text", "text": task_text}] } }, "id": 1 } ) return resp.json() async def main(): result = await send_task("http://localhost:8080/a2a", "帮我检索 A2A 协议的核心概念") print(result) asyncio.run(main())预期返回里包含result.status.state为completed或working，以及artifacts字段。如果状态一直是submitted，说明任务没被消费，检查 Agent 的任务队列和 worker 是否启动。
实测下来，多 Agent 协作最容易出问题的地方是任务状态同步——客户端 Agent 发出任务后，远程 Agent 处理完但没回传 artifact，导致调用方一直轮询。建议在config.toml里把task_poll_interval_ms设小一点，同时给远程 Agent 加超时兜底。
5. 本篇常见错排查清单
下面这些报错是我在配置 A2A + TaoToken 时实际遇到过的，按出现频率排序。
401 Unauthorized / invalid api key最常见。原因通常是环境变量没生效、Key 复制时带了空格、或者用了错误的鉴权头格式。检查echo $TAOTOKEN_API_KEY输出是否完整，请求头是否为Authorization: Bearer sk-xxx。如果 Key 是在 Windows 下复制的，注意有没有隐藏的换行符。
404 Not Found on /a2a/tasksA2A 端点路径没注册对。检查 settings.json 里a2a.endpoint和实际路由是否一致。有些框架默认路径是/tasks而不是/a2a/tasks，需要显式配置。
Agent Card 返回空 skills 数组skills字段没填或格式不对。A2A 要求每个 skill 有id、name、description，缺一个都可能导致发现失败。另外capabilities里的布尔值别写成字符串。
任务一直处于 working 状态不结束远程 Agent 处理完了但没发tasks/completed事件。检查远程 Agent 的 SSE 推送是否正常，或者任务超时时间设得太长。可以在config.toml里把taskTimeoutSeconds调小做测试。
模型路由不生效，所有请求都走 default_model[model.routing]的 key 必须和代码里传入的 task type 完全匹配，大小写敏感。另外有些框架需要显式开启 routing 开关，检查文档里有没有routing.enabled之类的配置。
MCP Server 启动失败导致 Agent 起不来config.toml里[mcp]段的 command 和 args 要能在当前环境执行。npx需要 Node.js 环境，路径参数用相对路径时注意工作目录。建议先用命令行单独跑一遍 MCP Server 命令，确认能启动再写进配置。
多 Agent 之间消息格式不兼容A2A 的消息parts数组里每个 part 要有type字段。如果一方发text/plain，另一方只接受application/json，就会协商失败。在 Agent Card 的defaultInputModes和defaultOutputModes里把支持的格式都列上。
提示：排查时优先看 Agent 启动日志和请求日志，大部分问题在日志里都有明确线索。TaoToken 控制台也能看到 API 调用记录，方便区分是模型侧问题还是 Agent 侧问题。
6. 继续深入：从单 Agent 到多 Agent 协作的下一步
配置跑通只是起点。真正把 A2A 用起来，你还需要考虑几件事：Agent Card 的动态更新（能力变化时怎么通知 peer）、长任务的断点续传（任务跑到一半 Agent 重启了怎么办）、以及多厂商模型的路由策略（什么任务交给哪个模型性价比最高）。
如果你主要做长期编码或 Agent 开发，可以看看 Coding Plan，它针对高频调用场景做了额度优化。需要在线验证模型效果，直接用模型对话功能试不同厂商的模型输出。接入过程中遇到鉴权或配置问题，API Keys 管理页面和接入文档里有各语言的完整示例。
A2A 和 MCP 不是替代关系，而是互补。MCP 让 Agent 能调用工具，A2A 让 Agent 能调用 Agent。把这两层都配好，再配合 TaoToken 的统一 Key 收敛多厂商调用，你就能用一套配置驱动一个能协作的 Agent 团队，而不是维护一堆散落的凭证和端点。
