A2A protocol analysis for Agentic AI systems

This thesis analyses agent-to-agent (A2A) interoperability and its impact on the perfor- mance and energy consumption of agentic AI systems. Two orchestration designs are implemented and compared: a cross-environment A2A setup (LangGraph in Environ- ment 1, OpenAI Agents SDK in Environment 2, talking through the A2A protocol) and a single-environment baseline (OpenAI Agents SDK), both executing the same workflow (SQL generation, data analysis, visualization) with Llama 3.2 via Ollama. Arize Phoenix is used for span-level tracing and LLM-as-judge evaluation, CodeCarbon for per-tool en- ergy (CPU, GPU, RAM), and JMeter for response time analyses. Experiments use three scenarios (1 user 1 node, 1 user 3 nodes, 1 user 5 nodes) varying the number of parallel tool instances while keeping a single user. Results show that parallelized tools scale en- ergy and utilization with node count in both designs. The A2A visualization step exhibits roughly twice the service time of the native visualization, with comparable energy and utilization; this gap is attributed to the overhead of the Runner (orchestrator) in Env2. The work highlights trade-offs between interoperability (A2A, cross-framework) and la- tency, and underlines the role of observability and per-tool measurement for sustainable and comparable agentic systems.

Questa tesi analizza l’interoperabilità agent-to-agent (A2A) e il suo impatto sulle prestazioni e sul consumo energetico dei sistemi di AI agentica. Vengono implementati e confrontati due schemi di orchestrazione: una configurazione A2A cross-environment (LangGraph in Ambiente 1 e OpenAI Agents SDK in Ambiente 2, che comunicano tramite il proto- collo A2A) e una baseline a singolo ambiente (OpenAI Agents SDK), entrambe eseguendo lo stesso workflow (generazione di SQL, analisi dei dati, visualizzazione) con Llama 3.2 tramite Ollama. Arize Phoenix viene utilizzato per il tracing a livello di span e per la valutazione LLM-as-judge, CodeCarbon per la misurazione dell’energia per singolo tool (CPU, GPU, RAM) e JMeter per l’analisi dei tempi di risposta. Gli esperimenti consid- erano tre scenari (1 utente 1 nodo, 1 utente 3 nodi, 1 utente 5 nodi), variando il numero di istanze parallele dei tool mantenendo costante un solo utente. I risultati mostrano che, in entrambe le configurazioni, i tool parallelizzati fanno scalare consumo energetico e utilizzo delle risorse con l’aumentare del numero di nodi. Lo step di visualizzazione in A2A presenta un tempo di servizio circa doppio rispetto alla visualizzazione nativa, a fronte di consumi energetici e utilizzo delle risorse comparabili; questa differenza è attribuita all’overhead del Runner (orchestratore) in Ambiente 2. Il lavoro evidenzia i compromessi tra interoperabilità (A2A, cross-framework) e latenza, e sottolinea il ruolo dell’osservabilità e delle misure per singolo tool per ottenere sistemi agentici sostenibili e confrontabili.