Serverless AI Agent 实战：用阿里云 AgentRun 加 Google ADK 搭建多智能体协同工作流

一、为什么你需要关注多 Agent 协同

单 Agent 的能力边界正在被快速触及。

一个典型的例子：你想让 AI 帮你做一次竞品分析。这需要先搜索公开资料、抓取网页、提取关键信息、对比分析、最后生成报告。如果只用一个 Agent，Prompt 会变得极其复杂，上下文窗口很快爆满，而且每一步的可靠性会随着链路拉长急剧下降。

Google 在 2025 年提出的 A2A（Agent-to-Agent）协议 正是为了解决这个问题。它的核心思路很简单：把复杂任务拆成多个专业 Agent，让它们通过标准协议相互通信、协作完成。

听起来很美好，但落地面临三个现实问题：

1. 基础设施：多 Agent 意味着多个运行时，手动管理服务器不现实
2. 模型接入：每个 Agent 可能需要不同的模型，统一接入成本高
3. 状态管理：Agent 之间传数据、存中间结果，需要可靠的存储层

阿里云的 函数计算 AgentRun 恰好在这三个问题上给出了一个开箱即用的答案。它基于 Serverless 架构，内置百炼大模型集成，可选配 NAS 文件存储，而且原生支持 Google ADK 框架的多 Agent 协同。

本文带你在 AgentRun 上跑通一个完整的 A2A 多 Agent 工作流。不聊概念，直接上实操。

二、环境准备

2.1 开通服务

访问 AgentRun 控制台（通过链接可体验：AgentRun 控制台体验），完成以下准备：

• 开通函数计算 FC 服务
• 开通百炼模型服务（用于调用通义千问等大模型）
• （可选）开通文件存储 NAS，用于 Agent 间共享数据

2.2 本地开发环境

确保本地安装了以下工具：

# 安装 Serverless Devs 工具
npm install -g @serverless-devs/s

# 配置阿里云凭证
s config add --AccessKeyID  --AccessKeySecret 

三、场景设计：多 Agent 竞品分析系统

我们要搭建的系统包含三个专业 Agent：

┌──────────────┐    A2A     ┌──────────────┐    A2A     ┌──────────────┐
│  搜索 Agent   │ ────────→ │  分析 Agent   │ ────────→ │  报告 Agent   │
│ (资料收集)    │ 搜索结果   │ (对比分析)    │ 分析结果   │ (生成报告)    │
└──────────────┘   └──────────────┘   └──────────────┘
 │ │ │
 └─────────────────────────┼─────────────────────────┘
 │┌──────┴──────┐│  NAS 存储    ││ (共享中间结果)│└─────────────┘

每个 Agent 职责单一：

• 搜索 Agent：接收用户关键词，调用搜索引擎 API，返回结构化结果
• 分析 Agent：接收搜索结果，调用大模型做竞品对比分析
• 报告 Agent：接收分析结果，生成格式化的 Markdown 报告

四、Agent 开发

4.1 搜索 Agent

搜索 Agent 的核心逻辑：接收查询关键词，调用搜索 API，格式化输出。

# search_agent/main.py
from google.adk.agents import Agent
from google.adk.tools import ToolContext
import requests
import json
import os


def web_search(query: str, tool_context: ToolContext) -> str:  """执行网络搜索并返回结构化结果"""  # 实际场景中使用搜索 API（如 Bing Search API）  # 这里展示核心逻辑结构  results = [
{   "title": f"关于"{ query}"的搜索结果",  "snippet": "模拟搜索摘要信息...",  "url": "https://example.com/result"
}  ]
  # 存入 NAS 共享路径，供下游 Agent 读取  output_path = "/mnt/nas/search_results.json"  os.makedirs(os.path.dirname(output_path), exist_ok=True)  with open(output_path, "w", encoding="utf-8") as f:
json.dump({ "query": query, "results": results}, f, ensure_ascii=False)
  tool_context.actions.skip_summarization = True  return json.dumps(results, ensure_ascii=False, indent=2)


search_agent = Agent(  name="search_agent",  model="qwen-plus",# 百炼提供的通义千问模型  instruction="""你是一个专业的搜索 Agent。
当用户提出搜索需求时，调用 web_search 工具执行搜索。
然后将结果传递给下游的分析 Agent。""",  tools=[web_search],
)

4.2 分析 Agent

分析 Agent 读取搜索结果，调用大模型做深度对比分析。

# analysis_agent/main.py
from google.adk.agents import Agent
import json
import os


def load_search_results() -> str:  """从 NAS 读取搜索 Agent 的结果"""  input_path = "/mnt/nas/search_results.json"  if not os.path.exists(input_path):
return "未找到搜索结果，请先运行搜索 Agent。"
  with open(input_path, "r", encoding="utf-8") as f:
data = json.load(f)  return json.dumps(data, ensure_ascii=False, indent=2)


def save_analysis(analysis_text: str) -> str:  """将分析结果存入 NAS"""  output_path = "/mnt/nas/analysis_result.md"  os.makedirs(os.path.dirname(output_path), exist_ok=True)  with open(output_path, "w", encoding="utf-8") as f:
f.write(analysis_text)  return "分析结果已保存"


analysis_agent = Agent(  name="analysis_agent",  model="qwen-plus",  instruction="""你是一个专业的竞品分析 Agent。
1. 读取搜索 Agent 返回的结果
2. 从产品定位、核心功能、定价策略、技术架构四个维度做对比分析
3. 输出结构化的分析结论
4. 将最终结果保存到 NAS 供报告 Agent 使用""",  tools=[load_search_results, save_analysis],
)

4.3 报告 Agent

# report_agent/main.py
from google.adk.agents import Agent
import os


def load_analysis() -> str:  """读取分析 Agent 的输出"""  input_path = "/mnt/nas/analysis_result.md"  if not os.path.exists(input_path):
return "分析结果尚未生成"  with open(input_path, "r", encoding="utf-8") as f:
return f.read()


report_agent = Agent(  name="report_agent",  model="qwen-plus",  instruction="""你是一个专业的报告生成 Agent。
1. 读取分析 Agent 的输出
2. 生成一份格式规范的 Markdown 报告
3. 报告包含：摘要、详细对比、结论与建议三部分
4. 确保输出排版清晰，适合直接分享""",  tools=[load_analysis],
)

五、部署到 AgentRun

5.1 项目结构

multi-agent-analysis/
├── search_agent/
│   ├── main.py
│   └── requirements.txt
├── analysis_agent/
│   ├── main.py
│   └── requirements.txt
├── report_agent/
│   ├── main.py
│   └── requirements.txt
└── s.yaml    # Serverless Devs 配置

5.2 部署配置

# s.yaml
edition: 4.0.0
name: multi-agent-analysis

services:search:  component: fc  props:
region: cn-hangzhou
serviceName: adk-multi-agent
functionName: search-agent
runtime: python3.9
codeUri: ./search_agent
handler: main.search_agent
memorySize: 1024
# 挂载 NAS 实现 Agent 间文件共享
nasConfig:
groupId: 0
userId: 0
mountPoints:- serverAddr: "xxxxx.cn-hangzhou.nas.aliyuncs.com"  mountDir: /mnt/nas
analysis:  component: fc  props:
region: cn-hangzhou
serviceName: adk-multi-agent
functionName: analysis-agent
runtime: python3.9
codeUri: ./analysis_agent
handler: main.analysis_agent
memorySize: 2048
nasConfig:
groupId: 0
userId: 0
mountPoints:- serverAddr: "xxxxx.cn-hangzhou.nas.aliyuncs.com"  mountDir: /mnt/nas
report:  component: fc  props:
region: cn-hangzhou
serviceName: adk-multi-agent
functionName: report-agent
runtime: python3.9
codeUri: ./report_agent
handler: main.report_agent
memorySize: 1024
nasConfig: ...

5.3 一键部署

# 部署全部 Agent
s deploy

# 部署结果示例：
# search-agent: deployed  (URL: https://xxx.cn-hangzhou.fc.aliyuncs.com/...)
# analysis-agent: deployed 
# report-agent: deployed 

部署完成后，三个 Agent 各自获得一个独立的 HTTP 端点，通过 A2A 协议互相调用，无需额外配置服务发现或负载均衡——Serverless 架构天然处理了这些问题。

六、成本分析

多 Agent 系统的传统部署方式需要至少 3 台 ECS 实例（或一个 K8s 集群），基础成本每月几百到上千元，而且不管有没有请求都要付费。

AgentRun 的 Serverless 模式按实际调用计费：

• 无请求时：不产生计算费用（NAS 存储除外，约 ¥0.35/GB/月）
• 低频调用（日均几十次）：每月成本可能不到 ¥10
• 高频调用：弹性伸缩，按需付费，不会因流量骤增而宕机

参考吉利汽车在 AgentRun 上的实际案例：算力成本优化了 33%。

如果你想亲自体验 AgentRun 的多 Agent 开发能力，可以通过链接注册并开通：体验 AgentRun 的多 Agent 开发能力

七、局限与注意事项

1. 框架锁定：Google ADK 和 PydanticAI 是当前支持的两个主要框架，如果你团队用的是 LangGraph 或 CrewAI，需要评估迁移成本
2. NAS 性能：Agent 间通过 NAS 共享文件是当前推荐的方案，适合中等数据量的场景；高频、小数据量的通信场景建议等待原生消息队列支持
3. 冷启动：函数计算存在冷启动延迟（通常在百毫秒级），对实时性要求极高的场景需要预热策略

八、总结

本文从零搭建了一个基于 AgentRun + Google ADK 的多 Agent 竞品分析系统。核心收获：

• A2A 协议让 Agent 间通信标准化，降低了系统复杂度
• Serverless 架构免去了运维负担，按需付费成本更可控
• NAS 共享存储解决了 Agent 间的状态传递问题
• 百炼大模型提供了开箱即用的模型能力，无需自行部署

AI Agent 正在从"能用"走向"好用"，而多 Agent 协同是其中最关键的一块拼图。AgentRun 让这块拼图的落地门槛降低了不少。