第二章：A2A 流式状态、超时和取消

代码在 deepagent_src/a2a_teach/02_streaming_and_cancel.py。

第 1 章的任务只有最终结果。本章用 SlowExecutor 制造一个可控的长任务，验证 A2A 的三件事：

1. Executor 先发布初始 Task，再用 TaskUpdater.start_work() 发布 working 状态。
2. Executor 发布一个进度 artifact；它不是最终结果，last_chunk=False 表示后面还有内容。
3. Client 只等待 250ms。超时后显式发送 CancelTaskRequest，并确认服务端执行器的 cancel() 被调用、Task 进入 TASK_STATE_CANCELED，且不会产生 result 最终 artifact。

uv run python -m deepagent_src.a2a_teach.02_streaming_and_cancel

预期输出类似：

stream_event: task
stream_event: status_update
status: TASK_STATE_WORKING
stream_event: artifact_update
client_wait: timed out after 250ms
cancel_state: TASK_STATE_CANCELED
a2a streaming, timeout, and cancel ok

超时不等于取消

asyncio.timeout(0.25) 只限制本地 Client 等待流的时间；它不会可靠地停止远端工作。超时后必须把取得的 task_id 传给 CancelTaskRequest，远端 AgentExecutor.cancel() 必须发布 TASK_STATE_CANCELED。

SDK 在收到取消请求时会取消正在执行的 execute() 协程，然后调用 cancel()。所以 execute() 中要让长耗时操作能够响应取消，例如 await 可取消的网络请求、子进程管理或支持取消的模型流。已发布的 progress artifact 会保留在 Task 历史中，取消只阻止后续工作；不能只在 Client 超时后丢弃 HTTP 连接，否则服务端任务可能继续消耗资源。

本章的慢任务使用 asyncio.sleep(5)，这是为了稳定验证 A2A 协议事件和取消生命周期，不代表已经验证了某个 LLM 提供商的 generation cancel。对真实 Deep Agent，要把模型流、工具调用和子进程的取消策略单独接入并压测。

何时使用流式 A2A

流式调用适合远端任务持续数秒以上、调用方需要进度或需要随时取消的场景。短小且只关心最终结果的远端调用，使用第 1 章的非流式模式更简单。