MCP & A2A协议简介
在近期，AI行业内出现了Cursor这种编程工具，Deepseek-R1这样的极低的训练成本和极强推理能力的大模型。
同时在大模型工程化领域，也推出两种不同的协议，分别是MCP和A2A
其中MCP协议主要是让模型具有调用API及资源的能力
A2A协议则是Agent和Agent之间进行交互
这里我们分别主要介绍下
对于MCP协议，其全程 Model Context Protocol 简称 模型上下文协议。
其主要的作用就是为模型设计了一个标准化的协议，来方便模型利用外部资源。如果没有这样一个协议，那么大模型在调用外部工具的时候，需要集成多个API，每个API代表着独立的代码，文档，身份验证方式。
比如说，让一个Agent支持网络搜索的话，就需要考虑让其能够支持如何拼接请求，解析HTML这些东西。
如果使用MCP协议，则可以将具体的做法隐藏到服务器端。让Agent通过JSON-RPC的方式调用就可以了。比如如下的JSON串
| { “method”: “callTool”, “params”: { “tool”: “Translate”, “input”: “Hello, world!”, “target_lang”: “zh” } } |
通过这种方式调用，并且由服务器端返回一个标准格式给模型。
给模型增加了外部能力。这样开发者只需要给模型告知MCP服务器地址即可
其是一个客户端-服务器的架构，核心理念是模型主控，客户端驱动服务器调用
模型负责思考调用什么工具，客户端提供工具调用，并最终驱动外部服务器提供能力。
利用MCP这个标准化协议，实现将AI Agent连接到外部工具上面。
这个协议相比OpenAI的Function Calling功能，其大部分都是绑定在GPT系列中，返回格式也是和GPT深度耦合。
简单来说使用MCP协议，可以有效降低工程化成本。
其次是A2A协议，其代表着智能代理之间的协议，就是让不同的Agent之间可以协作的标准语言。可以理解为Agent之间沟通的语言。
比如一个Agent组之中，有的Agent负责形成整体规划，有个Agent负责酒店预订，有的Agent负责机票和火车预订，将这三者组成一个组。如果我们想要这三个Agent进行协作，就需要考虑跟人类一样，给他们赋予相同的沟通方式，不然会导致鸡同鸭讲的局面。因此A2A诞生了。他可以让负责整体规划的Agent依靠A2A协议依次发出两个Agent调用。
|
|
A2A在这个协议中，主要负责的是
统一消息发现和调用机制
异步协作能力，支持流式和异步返回能力
新Agent即插即用的能力，无需额外的扩展
通过A2A协议，最终完成Agent之间的信息交互和协作，其还支持能力发现，会话管理，任务生命周期管理，消息和内容单元，还有长任务，多模态协作，以及角色控制。
本章最后我们对比下两者，说下相似之处和不同之处。
不同之处在于两者聚焦的点不同，一个聚焦于模型和工具的交互（MCP）
而A2A则是聚焦于不同Agent之间的协作沟通，是一种Agent之间的语言，位于更高的层次，强调任务协作和信息共享。
但是相同点是，两个协议的出现是为了解决信息孤岛，提供统一的通信机制，并且可以扩展到更多的应用场景，且MCP明确定义为客户端驱动，服务器响应的方式，A2A则是客户端和服务器端的对等信息交换方式。
最后来看，两者相辅相成，形成了一个完整的AI时代的通信协议方案。
未来的AI系统将由不同的模型组成一个动态的网络。通过MCP的资源接入和A2A的协同能力，构建一个搜索到企业中台，到协同网络的整体架构。