A2A(Agent-to-Agent)란? 개념부터 Python 구현, MCP와의 차이까지 알아보기
최근 AI 기술은 단순히 질문에 답변하는 챗봇을 넘어, 여러 AI 에이전트가 서로 협력하여 복잡한 업무를 수행하는 멀티 에이전트(Multi-Agent) 환경으로 발전하고 있습니다.
예를 들어 하나의 AI 에이전트가 뉴스를 검색하고, 다른 에이전트가 주식 데이터를 분석하며, 또 다른 에이전트가 이 결과를 종합해 보고서를 작성하는 방식입니다.
그렇다면 서로 다른 프레임워크로 개발된 AI 에이전트들은 어떻게 통신하고 협업할 수 있을까요?
이러한 문제를 해결하기 위해 등장한 것이 바로 A2A(Agent-to-Agent) 프로토콜입니다.
이번 글에서는 A2A의 기본 개념부터 MCP와의 차이점, Python을 이용한 A2A 서버와 클라이언트 구현 방법, 그리고 DeepAgents 연동 구조까지 살펴보겠습니다.
1. A2A(Agent-to-Agent)란?
A2A는 AI 에이전트들이 서로 통신하고 작업을 요청하거나 결과를 주고받을 수 있도록 정의한 개방형 프로토콜입니다.
쉽게 말해 AI 에이전트 간의 표준 통신 규약이라고 이해하시면 됩니다.
기존에는 에이전트마다 사용하는 프레임워크와 API 규격이 달라 별도의 연동 코드를 작성해야 했습니다.
하지만 A2A를 활용하면 LangGraph, DeepAgents 또는 자체 개발한 에이전트처럼 서로 다른 기술로 구성된 시스템도 공통 규약을 통해 통신할 수 있습니다.
A2A가 제공하는 핵심 기능은 다음과 같습니다.
- 에이전트의 기능과 접속 정보를 공개합니다.
- 다른 에이전트에 작업을 요청할 수 있습니다.
- 메시지와 구조화된 데이터를 전달할 수 있습니다.
- 장시간 실행되는 작업의 상태를 관리할 수 있습니다.
- 작업 결과물을 전달하거나 스트리밍으로 응답할 수 있습니다.
즉, 서로 다른 AI 시스템을 연결하는 공통 인터페이스 역할을 합니다.
2. A2A가 필요한 이유
다음과 같은 상황을 가정해 보겠습니다.
사용자가 AI 채팅 프로그램에 다음과 같이 요청합니다.
"삼성전자 최근 뉴스를 조사하고 주가에 미치는 영향을 분석해 주세요."
이 작업은 하나의 AI가 모두 수행할 수도 있지만, 전문적인 역할을 가진 에이전트들에게 나누어 맡길 수도 있습니다.
사용자
│
│ 삼성전자 뉴스 및 주가 분석 요청
▼
메인 에이전트 (DeepAgents)
│
├── A2A ──► 뉴스 분석 에이전트
│ │
│ └── 뉴스 검색 및 요약
│
├── A2A ──► 주식 분석 에이전트
│ │
│ └── 주가 및 거래량 분석
│
└── A2A ──► 보고서 작성 에이전트
│
└── 종합 보고서 생성
이 구조에서 메인 에이전트는 전체 작업을 관리하고, 각 전문 에이전트는 자신에게 주어진 업무를 수행합니다.
A2A는 메인 에이전트와 전문 에이전트 사이에서 요청과 결과를 주고받는 통신 규약입니다.
각 에이전트가 독립적인 서버에서 실행되더라도 A2A를 지원한다면 서로 협업할 수 있습니다.
3. A2A의 핵심 구성요소
A2A를 이해하기 위해서는 몇 가지 중요한 개념을 알아야 합니다.
3.1 Agent Card
Agent Card는 에이전트의 정보를 외부에 공개하는 일종의 소개 문서입니다.
어떤 기능을 제공하는지, 어떤 통신 방식을 지원하는지, 어디로 요청해야 하는지 등을 정의합니다.
대표적으로 다음과 같은 정보가 포함됩니다.
- 에이전트 이름 및 설명
- 버전
- 지원하는 기능(Skills)
- 통신 프로토콜 및 접속 주소
- 입력 및 출력 데이터 형식
일반적으로 다음 주소에서 Agent Card를 조회할 수 있습니다.
http://localhost:9999/.well-known/agent-card.json
이 정보를 통해 다른 에이전트가 해당 에이전트를 발견하고 호출할 수 있습니다.
3.2 Message
Message는 에이전트 간에 주고받는 메시지입니다.
단순한 문자열뿐 아니라 텍스트, 파일, 구조화된 데이터 등을 포함할 수 있습니다.
3.3 Part
Part는 Message나 Artifact에 포함되는 개별 데이터 단위입니다.
A2A에서는 대표적으로 다음과 같은 Part를 사용합니다.
종류설명
| TextPart | 일반 텍스트 데이터 |
| DataPart | JSON 형태의 구조화된 데이터 |
| FilePart | 파일 관련 데이터 |
예를 들어 주식 분석 에이전트에 단순한 질문뿐 아니라 종목 코드와 분석 기간을 전달할 수도 있습니다.
{
"stock_code": "005930",
"period": "7d",
"analysis_type": "technical"
}
이러한 데이터는 DataPart를 통해 전달할 수 있습니다.
참고로 DataPart 자체가 반드시 리스트인 것은 아닙니다. Message의 parts 배열에 여러 Part를 포함할 수 있는 구조입니다.
3.4 Task
Task는 에이전트가 수행하는 작업을 의미합니다.
단순한 질문과 답변은 Message만으로 처리할 수 있지만, 뉴스 검색이나 대규모 데이터 분석처럼 시간이 오래 걸리는 작업은 Task를 이용하면 편리합니다.
Task의 대표적인 상태는 다음과 같습니다.
상태의미
| SUBMITTED | 작업 요청 접수 |
| WORKING | 작업 수행 중 |
| COMPLETED | 작업 완료 |
| FAILED | 작업 실패 |
| CANCELED | 작업 취소 |
A2A는 이러한 작업 상태를 관리하고 결과를 조회할 수 있는 기능을 제공합니다.
3.5 Artifact
Artifact는 에이전트가 작업을 완료하거나 진행하는 과정에서 생성하는 결과물입니다.
예를 들어 분석 보고서, JSON 데이터, 생성한 문서 등을 Artifact로 제공할 수 있습니다.
4. A2A와 MCP의 차이점
AI 에이전트를 개발하다 보면 A2A와 함께 MCP(Model Context Protocol)라는 용어를 자주 접하게 됩니다.
두 기술 모두 AI 시스템을 연결하는 데 사용되지만 목적이 다릅니다.
구분MCPA2A
| 주요 목적 | 외부 도구와 데이터 연결 | 에이전트 간 통신 |
| 연결 대상 | 데이터베이스, 검색, 파일, API | 다른 AI 에이전트 |
| 주요 기능 | 도구 호출 및 데이터 조회 | 작업 요청 및 협업 |
| 활용 예시 | Oracle 데이터베이스 조회 | 뉴스 분석 에이전트 호출 |
예를 들어 AI 에이전트가 Oracle 데이터베이스에서 데이터를 가져온다면 MCP를 사용할 수 있습니다.
반면, 가져온 데이터를 다른 AI 에이전트에 전달하고 추가 분석을 요청한다면 A2A를 사용할 수 있습니다.
메인 AI 에이전트
│
├── MCP ──► Oracle DB
│
├── MCP ──► 검색 서버
│
└── A2A ──► 분석 AI 에이전트
따라서 MCP와 A2A는 경쟁 관계가 아니라 서로 보완하는 기술이라고 볼 수 있습니다.
5. Python으로 A2A 서버 구현하기
이제 실제로 Python을 이용해 A2A 서버를 구현해 보겠습니다.
이번 예제에서는 공식 A2A Python SDK의 v1 계열 API를 기준으로, 외부에서 받은 질문을 처리하고 응답하는 간단한 에이전트를 만들어 보겠습니다.
실제 LLM 모델을 연결하지 않아 API 키 없이도 A2A 통신 구조를 실습할 수 있습니다.
※ A2A Python SDK는 버전에 따라 API가 변경될 수 있으므로 설치된 SDK 버전과 공식 문서를 확인하시기 바랍니다. 아래 예제는 실행 환경별 검증이 필요할 수 있습니다.
5.1 프로젝트 생성 및 라이브러리 설치
먼저 Windows 터미널에서 프로젝트 폴더를 생성합니다.
mkdir a2a-demo
cd a2a-demo
python -m venv .venv
.venv\Scripts\activate
필요한 라이브러리를 설치합니다.
pip install "a2a-sdk>=1.0,<2.0" uvicorn starlette httpx
5.2 A2A 서버 작성
server.py 파일을 생성하고 다음 코드를 작성합니다.
import uvicorn
from starlette.applications import Starlette
from a2a.server.agent_execution import (
AgentExecutor,
RequestContext,
)
from a2a.server.events import EventQueue
from a2a.server.request_handlers import DefaultRequestHandler
from a2a.server.tasks import InMemoryTaskStore
from a2a.server.routes import (
create_agent_card_routes,
create_jsonrpc_routes,
)
from a2a.helpers import get_message_text, new_text_message
from a2a.types import (
AgentCard,
AgentCapabilities,
AgentInterface,
AgentSkill,
)
# 실제 작업을 처리하는 에이전트
class MyAgent:
async def run(self, question: str) -> str:
return f"분석 에이전트가 받은 질문: {question}"
# A2A 요청을 처리하는 실행기
class MyAgentExecutor(AgentExecutor):
def __init__(self):
self.agent = MyAgent()
async def execute(
self,
context: RequestContext,
event_queue: EventQueue,
):
question = get_message_text(context.message)
result = await self.agent.run(question)
await event_queue.enqueue_event(
new_text_message(result)
)
async def cancel(self, context, event_queue):
raise NotImplementedError(
"작업 취소를 지원하지 않습니다."
)
# 에이전트 기능 정의
skill = AgentSkill(
id="analysis",
name="분석",
description="사용자의 질문을 분석합니다.",
tags=["analysis"],
examples=["삼성전자 분석해 주세요"],
input_modes=["text/plain"],
output_modes=["text/plain"],
)
# Agent Card
agent_card = AgentCard(
name="My Analysis Agent",
description="Python A2A 분석 에이전트",
version="1.0.0",
supported_interfaces=[
AgentInterface(
protocol_binding="JSONRPC",
protocol_version="1.0",
url="http://127.0.0.1:9999/",
)
],
capabilities=AgentCapabilities(
streaming=False
),
default_input_modes=["text/plain"],
default_output_modes=["text/plain"],
skills=[skill],
)
# 요청 처리기
handler = DefaultRequestHandler(
agent_executor=MyAgentExecutor(),
task_store=InMemoryTaskStore(),
agent_card=agent_card,
)
# HTTP 엔드포인트 생성
routes = []
routes.extend(
create_agent_card_routes(agent_card)
)
routes.extend(
create_jsonrpc_routes(handler, "/")
)
app = Starlette(routes=routes)
if __name__ == "__main__":
uvicorn.run(
app,
host="127.0.0.1",
port=9999,
)
5.3 서버 코드 설명
① MyAgent
실제 업무를 수행하는 클래스입니다.
class MyAgent:
async def run(self, question: str) -> str:
return f"분석 에이전트가 받은 질문: {question}"
현재는 입력받은 질문을 그대로 반환하지만, 이 부분에 LLM API, LangGraph 또는 DeepAgents를 연결할 수 있습니다.
② MyAgentExecutor
A2A 요청을 받아 실제 에이전트에 전달하는 역할을 합니다.
question = get_message_text(context.message)
result = await self.agent.run(question)
await event_queue.enqueue_event(
new_text_message(result)
)
실행 순서는 다음과 같습니다.
- A2A 메시지를 수신합니다.
- 메시지에서 텍스트를 추출합니다.
- 실제 에이전트의 작업을 실행합니다.
- 실행 결과를 A2A 메시지로 반환합니다.
③ AgentCard
에이전트의 이름, 기능 및 접속 주소를 정의합니다.
다른 에이전트는 Agent Card를 확인한 뒤 해당 에이전트가 제공하는 기능을 파악하고 요청할 수 있습니다.
④ DefaultRequestHandler
A2A 요청을 받아 AgentExecutor로 전달하고 응답을 관리하는 역할을 합니다.
6. Python A2A 클라이언트 구현하기
이번에는 앞에서 만든 A2A 서버를 호출하는 클라이언트를 작성해 보겠습니다.
client.py 파일을 생성합니다.
import asyncio
import httpx
from a2a.client import (
A2ACardResolver,
ClientConfig,
create_client,
)
from a2a.helpers import new_text_message
from a2a.types import Role, SendMessageRequest
async def main():
server_url = "http://127.0.0.1:9999"
async with httpx.AsyncClient() as http_client:
# Agent Card 조회
resolver = A2ACardResolver(
httpx_client=http_client,
base_url=server_url,
)
agent_card = await resolver.get_agent_card()
print("연결한 에이전트:", agent_card.name)
# A2A 클라이언트 생성
client = await create_client(
agent=agent_card,
client_config=ClientConfig(
streaming=False
),
)
try:
# 질문 메시지 생성
message = new_text_message(
"삼성전자 최근 뉴스 분석해 주세요",
role=Role.ROLE_USER,
)
request = SendMessageRequest(
message=message
)
# A2A 서버 호출
async for response in client.send_message(request):
print("서버 응답:")
print(response)
finally:
await client.close()
if __name__ == "__main__":
asyncio.run(main())
6.1 클라이언트 실행 흐름
클라이언트는 다음 순서로 동작합니다.
- A2A 서버의 Agent Card를 조회합니다.
- Agent Card 정보를 바탕으로 클라이언트를 생성합니다.
- 사용자 질문을 A2A 메시지로 변환합니다.
- 서버에 메시지를 전달합니다.
- 서버가 반환하는 메시지 또는 작업 결과를 수신합니다.
여기서 중요한 것은 클라이언트가 서버 내부의 AI 구현 방식을 알 필요가 없다는 점입니다.
서버가 LangGraph로 구현되었는지, DeepAgents로 구현되었는지와 관계없이 A2A 인터페이스를 통해 통신할 수 있습니다.
6.2 서버 및 클라이언트 실행
첫 번째 터미널에서 서버를 실행합니다.
python server.py
두 번째 터미널에서 클라이언트를 실행합니다.
python client.py
정상적으로 통신하면 서버에서 반환한 다음 내용이 응답 메시지에 포함됩니다.
분석 에이전트가 받은 질문:
삼성전자 최근 뉴스 분석해 주세요
이 예제는 실제 AI 분석이 아닌 A2A 메시지 통신을 확인하기 위한 기본 구현입니다.
7. DeepAgents와 A2A 연동하기
A2A의 장점은 에이전트 내부 구현과 통신 방식을 분리할 수 있다는 점입니다.
예를 들어 앞에서 작성한 MyAgent를 DeepAgents 기반으로 변경할 수 있습니다.
다음 코드는 DeepAgents의 실행 결과를 A2A 서버에서 반환하는 구조를 보여줍니다.
from deepagents import create_deep_agent
class MyAgent:
def __init__(self, model):
self.agent = create_deep_agent(
model=model,
system_prompt=(
"당신은 주식 분석 전문가입니다."
),
)
async def run(self, question: str) -> str:
result = await self.agent.ainvoke({
"messages": [
{
"role": "user",
"content": question,
}
]
})
return result["messages"][-1].content
위 코드에서 model은 실제 사용하는 LLM 객체입니다. 따라서 실행하려면 모델을 생성하여 전달하고, 서버의 MyAgentExecutor에서도 이에 맞게 초기화해야 합니다.
또한 반환 메시지의 콘텐츠가 문자열이 아닌 블록 형태라면 추가적인 변환 처리가 필요할 수 있습니다.
이처럼 에이전트 내부에서는 DeepAgents가 추론과 작업 실행을 담당하고, 외부 통신은 A2A가 담당하도록 분리할 수 있습니다.
8. 실제 AI 채팅 시스템에 적용한다면?
예를 들어 Blazor SSR과 Python을 이용해 AI 채팅 시스템을 개발한다면 다음과 같은 구조를 생각해 볼 수 있습니다.
Blazor SSR
│
│ HTTP API
▼
Python 메인 에이전트
(DeepAgents)
│
├── A2A
│ └── 뉴스 분석 에이전트
│
├── A2A
│ └── 주식 분석 에이전트
│
└── A2A
└── 문서 분석 에이전트
│
├── MCP → Oracle DB
│
└── MCP → 파일 검색
이 구조에서는 Blazor가 사용자 인터페이스를 담당하고, Python 메인 에이전트가 사용자 요청을 분석하여 적절한 전문 에이전트에 작업을 위임합니다.
각 에이전트는 독립적인 서버로 운영할 수 있기 때문에 기능별 확장이나 유지보수가 비교적 용이합니다.
다만 모든 에이전트를 반드시 별도의 A2A 서버로 분리할 필요는 없습니다.
하나의 Python 프로세스 내부에서 동작하는 간단한 서브에이전트라면 LangGraph나 DeepAgents에서 제공하는 기능만으로도 충분할 수 있습니다.
A2A는 서로 독립적으로 운영되는 에이전트 사이의 통신 규약이 필요할 때 특히 유용합니다.
9. A2A를 도입할 때 고려할 사항
실제 서비스에 적용할 때는 다음 사항도 검토해야 합니다.
인증 및 보안
외부에 에이전트 서버를 공개한다면 인증 및 권한 관리가 필요합니다. 에이전트가 데이터베이스나 내부 시스템에 접근하는 경우에는 더욱 중요합니다.
작업 상태 관리
장시간 실행되는 작업은 Task 기반으로 처리하는 것이 좋습니다. 서버 재시작 이후에도 작업 상태를 보존해야 한다면 영속적인 저장소가 필요합니다.
오류 처리
에이전트 간 통신에서는 네트워크 오류, 요청 시간 초과, 작업 실패 등을 고려해야 합니다.
SDK 버전 관리
A2A 프로토콜과 Python SDK는 계속 발전하고 있습니다. 따라서 예제 코드를 실제 서비스에 적용하기 전에는 사용 중인 버전에 맞는 API와 메시지 형식을 확인해야 합니다.
10. 마무리
A2A는 여러 AI 에이전트가 서로 협업할 수 있도록 지원하는 중요한 통신 프로토콜입니다.
단일 LLM을 호출하는 구조에서는 필요성이 크게 느껴지지 않을 수 있지만, 전문적인 역할을 가진 여러 에이전트를 독립적으로 운영하는 환경에서는 활용도가 높습니다.
핵심 개념을 정리하면 다음과 같습니다.
- DeepAgents / LangGraph: AI 에이전트의 추론과 작업 실행을 구현하는 프레임워크
- MCP: AI 에이전트가 외부 도구 및 데이터에 접근하기 위한 프로토콜
- A2A: 서로 다른 AI 에이전트가 통신하고 협업하기 위한 프로토콜
앞으로 AI 시스템이 다양한 전문 에이전트의 협업 방식으로 확장될수록 A2A와 같은 표준 통신 프로토콜의 중요성도 커질 것으로 예상됩니다.
Python과 DeepAgents를 활용하고 있다면 간단한 A2A 서버를 직접 구현해 보면서 메시지 전달, 작업 위임, 결과 수신 구조를 이해해 보시는 것도 좋은 방법입니다.
참고 자료
- A2A 공식 사이트: https://a2a-protocol.org/
- A2A Python SDK: https://github.com/a2aproject/a2a-python
- A2A Python 튜토리얼: https://a2a-protocol.org/latest/tutorials/python/
- DeepAgents: https://github.com/langchain-ai/deepagents
'TensorFlow Python' 카테고리의 다른 글
| [Python] ModuleNotFoundError: No Module named 'dateutil' (0) | 2023.12.20 |
|---|---|
| [Python] ModuleNotFoundError: No Module named 'pymysql' (0) | 2023.12.20 |
| [Python] ModuleNotFoundError: No Module named 'win32com' (0) | 2023.12.20 |
| [Python] png2svg (0) | 2022.09.15 |
| [TensorFlow_Python] GAN 알고리즘을 이용한 MNIST 이미지 생성 (0) | 2019.07.02 |
