项目简介

AutoA2A是一个命令行工具，可以帮助开发者快速生成将现有AI代理（如基于CrewAI, LangGraph, Llama Index, OpenAI Agents SDK, Pydantic AI等主流框架构建的代理）包装成符合Google A2A协议的服务器所需的样板代码。这些生成的服务器可以作为特定类型的MCP服务器，专注于提供代理/工具执行能力，并与支持A2A协议的LLM客户端进行交互。

主要功能点

代码生成: 根据指定的主流AI代理框架，一键生成服务器所需的 'agent.py', 'taskmanager.py', 'run_a2a.py' 等基础文件。
协议封装: 自动化处理A2A协议的通信细节，使开发者能够专注于核心代理逻辑的实现。
任务管理: 提供任务生命周期管理、请求验证、输入映射等功能。
流式支持: 支持代理输出的流式传输，提供更实时的用户体验。
推送通知: 支持通过Webhook接收任务状态更新的推送通知。
框架兼容: 提供多种常见AI代理框架的适配模板，简化集成过程。

安装步骤

确保你的系统已安装 Python 3.12 或更高版本。

克隆仓库:

git clone https://github.com/NapthaAI/autoa2a

进入仓库目录:
```
cd autoa2a
```

安装 AutoA2A 工具:

pip install -e .

或者使用 'uv' (推荐，如果已安装):

uv venv
source .venv/bin/activate
uv sync

服务器配置 (供MCP客户端参考)

AutoA2A生成的服务器是独立的进程。MCP客户端需要知道如何启动并连接到这个服务器。以下是MCP客户端可能需要配置的服务器启动信息示例 (具体格式取决于客户端实现，通常是JSON)：

{
  "server_name": "你自定义的代理服务器名称", // 显示给用户的服务器名称
  "command": "uv",                        // 启动服务器的命令
  "args": ["run", "serve_a2a"],           // 命令参数，通常是运行生成的 serve_a2a 脚本
  "cwd": "/path/to/your/agent/project"    // 包含生成文件的代理项目目录的绝对路径
  // 可能还有其他连接相关的配置，由客户端定义
}

客户端将使用这些信息来启动你的代理服务器进程，并通过标准输入/输出来进行通信（这是A2A/MCP的一种常见传输协议）。

基本使用方法

进入你的代理项目目录: 导航到你已经构建好的AI代理代码所在的目录。
```
cd your-project-directory
```
初始化A2A服务器代码: 运行 'autoa2a init' 命令，指定你的代理使用的框架。例如，如果你的代理基于 CrewAI：
```
autoa2a init --framework crewai
```
这会在当前目录下生成 'run_a2a.py', 'agent.py', 'taskmanager.py' 等文件。
集成你的代理逻辑: 编辑生成的 'agent.py' 和 'taskmanager.py' 文件。根据文件中的 TODO 注释，完成以下操作：
- 在 'agent.py' 中导入并实例化你的实际代理类。
- 根据你的代理输入需求，修改 'agent.py' 中的 'TaskInput' Pydantic 模型。
- 在 'agent.py' 的 'A2AWrapperAgent' 类的 'invoke' 和 'stream' 方法中，调用你的代理的相应方法来处理输入并返回结果。
- 在 'taskmanager.py' 的 '_get_user_query' 方法中，将接收到的客户端输入映射到你的 'TaskInput' 格式。
配置服务器元信息: 编辑 'run_a2a.py' 文件，更新 'AgentCard' 和 'AgentSkill' 中的名称、描述、标签、示例等信息，这些信息将提供给客户端显示。
安装依赖: 确保你的代理项目所需的所有依赖（包括你使用的AI代理框架、模型库、工具等）都已经安装在当前环境中。
运行服务器: 使用 'uv run' 命令启动服务器（需要 'uv' 工具，如果使用 'pip' 安装，请查看 README 中的 'pyproject.toml' 配置说明）。
```
uv run serve_a2a
```
服务器启动后，日志会显示监听的地址和端口。你的MCP客户端可以连接到此进程进行交互。

关键词

信息