MCP + A2A = 超高效的智能体调用

点击下方，关注后台回复【666】，免费领取【DeepSeek学习礼包】

大家好，我是凡人。

在近一年中AI智能体的发展就像坐着火箭，各行业的企业在实际业务应用中都在不断融入AI智能体（Agent）来提质增效。

在不久前，就连我这个身处13线小城市的打工人，也和公司建议准备搭一个本地化模型的AI数据分析的智能体，不过就在搭建过程中出现一件麻烦事儿，社区版的dify自带插件太少了，自己写插件复杂又需要调试，工期根本不够，就在我焦头烂额的时候，突然就想起了前段时间爆火的MCP和A2A服务，但一下子对它俩到底怎么用却忘了个干净。

下面咱就一起了解一下MCP和A2A，到底怎么用、用在什么地方以及他们到底有什么区别？最后我在给大家推荐几个高质量的MCP服务网站，让你的智能体如虎添翼。

MCP

Model Context Protocol (MCP) 是一个在2024年11月由Anthropic推出的开源协议，它标准化了大型语言模型(LLM)与外部数据源和工具之间的连接方式。MCP的出现彻底改变了AI与外部系统交互的方式，使得AI不仅能够生成文本，还能执行数据库查询、发送邮件、管理项目和自动化工作流等任务。

MCP是一个开放标准，它允许开发者在他们的数据源和AI工具之间建立安全的双向连接。它被设计为LLM与外部工具或数据源之间的通用适配器，定义了连接语言模型与外部工具和数据源的通用协议（基于JSON-RPC）。

MCP的灵感来源于语言服务器协议(LSP)，后者是IDE与特定语言工具通信的标准。与LSP类似，MCP通过采用标准化接口，将模型和工具的集成复杂性从M×N减少到M+N，解决了每个新语言模型(M)都需要自定义连接器和提示以与每个企业工具(N)接口的问题。

要明白MCP就得懂得这三个概念

模型控制：Tools由服务器暴露给客户端，代表LLM可以调用的动态操作。

Tools（工具）：由服务器暴露给客户端的可执行功能，代表LLM可以调用的动态操作，可以修改状态或与外部系统交互。

应用程序控制：Resources由客户端应用程序决定如何使用。

Resources（资源）：由服务器暴露给客户端的数据和内容，可以被读取并用作LLM交互的上下文。

用户控制：Prompts由服务器暴露给客户端，目的是供用户使用。

Prompts（提示）：由服务器定义的预设模板和工作流，用于标准化LLM交互。

MCP其实就是为AI应用专门打造的"TYPE-C接口"，它标准化了应用程序向大型语言模型(LLM)提供上下文的方式。通过MCP，AI模型可以像程序员调用函数一样使用各种工具，将工具和数据源连接到AI系统中。

什么事A2A？

随着越来越多的企业开始使用自主智能体，让这些智能体在不同系统和平台间协作变得至关重要，但这些智能体通常是孤立运行，没有办法高效协作，形成了所谓的"智能体孤岛"问题。

为了解决这一困难，谷歌于今年4月9日正式发布了Agent2Agent(A2A)协议，直接开源，就是为了实现不同AI智能体之间的互操作性。

A2A协议为Agent提供了一种标准的交互方式，使它们能够相互协作，无论底层框架或供应商是什么。谷歌认为，这个协议将对支持多智能体通信至关重要，因为它为智能体提供了一个共同的语言，无论它们是基于什么框架或供应商构建的。

所以A2A就是智能体之间的沟通渠道，就好像通用语言一样让所有智能体都能听懂。

A2A协议的核心概念

A2A协议定义了一套清晰的客户端-服务器交互模型。一个"客户端"智能体（发起请求方）与一个"远程"智能体（A2A服务器，处理请求方）通过一系列任务和消息进行通信。以下是A2A协议的核心概念：

Agent Card：这是一个公开的元数据文件（通常位于/.well-known/agent.json），描述智能体的能力、技能、端点URL和认证要求。客户端使用它进行发现。
A2A Server：一个智能体公开的HTTP端点，实现A2A协议方法（定义在json规范中）。它接收请求并管理任务执行。
A2A Client：一个消费A2A服务的应用程序或另一个智能体。它向A2A服务器的URL发送请求（如tasks/send）。
Task：工作中的中心单元。客户端通过发送消息（tasks/send或tasks/sendSubscribe）来启动任务。任务具有唯一ID，并经历各种状态（已提交、处理中、需要输入、已完成、失败、已取消）。
Message：表示客户端（角色："user"）和智能体（角色："agent"）之间的通信轮次。消息包含Parts。
Part：Message或Artifact中的基本内容单元。它可以是TextPart、FilePart（带有内联字节或URI）或DataPart（用于结构化JSON，例如表单）。
Artifact：表示智能体在任务过程中生成的输出（例如，生成的文件、最终的结构化数据）。Artifacts也包含Parts。
Streaming：对于长时间运行的任务，支持streaming能力的服务器可以使用tasks/sendSubscribe。客户端接收包含TaskStatusUpdateEvent或TaskArtifactUpdateEvent消息的服务器发送事件(SSE)，提供实时进度。
Push Notifications：支持pushNotifications的服务器可以主动将任务更新发送到客户端提供的 webhook URL，通过tasks/pushNotification/set配置。

A2A协议的典型工作流程包括以下步骤：

发现：客户端从服务器的知名URL获取Agent Card。
初始化：客户端发送tasks/send或tasks/sendSubscribe请求，包含初始用户消息和唯一任务ID。
处理：

流式处理：服务器发送SSE事件（状态更新、Artifacts）随着任务的进展。
非流式处理：服务器同步处理任务并在响应中返回最终Task对象。

交互（可选）：如果任务进入需要输入的状态，客户端使用相同任务ID通过tasks/send或tasks/sendSubscribe发送后续消息。
完成：任务最终达到终端状态（已完成、失败、已取消）。

两种区别在哪？

1、区别

协议	核心关注点	交互模式	应用场景	抽象层次
MCP	模型与工具的连接	函数调用、结构化输入输出	工具集成、API调用、资源访问	低级别（具体功能）
A2A	代理与代理的协作	对话式、长时间运行的任务	多代理协作、复杂任务分解、服务发现	高级别（意图和能力）

2、两者优缺点

协议	优势	挑战
MCP	结构明确，执行可预测；与现有API框架集成简单；降低了AI与工具连接的复杂性- 性能开销相对较小。	灵活性有限，需要明确定义每个工具；不适合处理高度动态或未知的任务- 难以表达复杂的协作需求。
A2A	支持动态发现和即兴协作；适合处理开放式、复杂的任务；更接近人类团队协作的自然模式；可扩展性强，可以轻松添加新代理。	状态一致性管理复杂；安全性和访问控制挑战；推理开销较大；部分故障处理机制尚不成熟。

3、两者互补才能高效

尽管MCP和A2A关注不同的方面，但它们是互补而非竞争。在实际应用中，它们往往需要结合后使用才高效：

MCP提供了代理获取工具的标准方式，使AI模型能够与外部工具和数据源交互。
A2A提供了代理间协作的标准方式，使不同的AI代理能够协同工作，共同完成复杂任务。
使用MCP连接AI与各种工具和数据源。
使用A2A实现多代理间的协作和任务委派。

怎么搭建自己的MCP？

这里我们用Cursor来搭建自己的MCP，Cursor支持MCP协议，允许用户将Cursor连接到外部系统和数据源，从而将Cursor与现有的工具和基础设施集成，而不仅仅是处理代码的本身。

第1步：设置项目

创建一个新的项目文件夹，并在其中初始化一个新的Node.js项目：

mkdir my-mcp-servercd my-mcp-servernpm init -y

第2步：安装依赖

安装必要的依赖项：

npm install mcp-server

第3步：创建index.js

创建一个名为index.js的文件，并添加以下代码：

const { createServer } =require('mcp-server');// 创建一个简单的工具const server=createServer({  tools: {      hello: {            description: "A simple tool that says hello",            input: {                 type: "object",                 properties: {                         name: { description: "The name to say hello to" }                         }                   },                   asyncrun({ name }) {                     return { result: `Hello, ${name}!` };             }           }  }});
server.listen();

第4步：将MCP服务器添加到Cursor

打开Cursor并在左侧边栏中点击"Settings"。
导航到"Features" > "MCP"。

3. 点击"Add new global MCP server"。

4. 选择"Command"类型。

5. 在"Command"字段中输入：node index.js。

6. 保存设置。

第5步：在Chat中使用MCP工具

打开Cursor的Chat界面
输入：Use hello with name="World"
你将看到工具调用的批准请求
点击"Approve"，然后等待结果

物理模拟技术，Gen-4的不传之秘？

使用ADK连接MCP和A2A的步骤

安装ADK：需要安装Google Agent Development Kit。这是连接MCP和A2A的基础。
配置MCP服务器：配置MCP服务器，使其能够与AI模型通信。MCP服务器是应用程序和AI模型之间的桥梁，它负责处理应用程序的请求，并将其转换为AI模型可以理解的格式。
创建A2A代理：使用ADK创建A2A代理。A2A代理是负责与其他AI代理通信的组件。它使用A2A协议与其他代理交换消息。
集成MCP服务器到A2A代理：将配置好的MCP服务器集成到A2A代理中。这样，A2A代理就可以通过MCP服务器与AI模型通信。
实现通信逻辑：实现A2A代理之间的通信逻辑。这包括定义消息格式、处理消息、执行任务等。通过这些步骤，我们可以实现通过A2A协议连接两个MCP的目标。接下来，我们将提供一个简单的示例，帮助读者更好地理解这个过程。

简单示例：通过A2A连接两个MCP

我们用两个AI代理连接两个MCP，两个代理将通过A2A协议进行通信，实现一个简单的任务：代理1将从用户那里获取一个查询，然后将这个查询发送给代理2，代理2将使用其MCP连接来回答这个问题。

# 安装必要的库pip install google-agent-development-kitpip install anthropic-mcp

# 导入必要的库from google_agent_development_kit import A2AAgentfrom anthropic_mcp import MCPClient
# 创建第一个MCP客户端mcp_client_1 = MCPClient(    model_name="gpt-3.5-turbo",    api_key="your_api_key_1")
# 创建第二个MCP客户端mcp_client_2 = MCPClient(    model_name="gpt-3.5-turbo",    api_key="your_api_key_2")
# 定义A2A代理类class A2AConnector(A2AAgent):    def __init__(self, mcp_client):        super().__init__()        self.mcp_client = mcp_client    async def on_message(self, message):        # 处理接收到的消息        if message["role"] == "user":            # 使用MCP客户端处理用户的消息            response = await self.mcp_client.process_message(message["content"])            # 如果需要，将响应发送给另一个代理            if self.id == "agent_1":                # 发送消息给agent_2                await self.send_message(                    recipient_id="agent_2",                    content=response                )            else:                # 处理agent_2的响应并发送给用户                final_response = f"Final Answer: {response}"                await self.send_response(final_response)
# 创建两个A2A代理agent_1 = A2AConnector(mcp_client_1)agent_2 = A2AConnector(mcp_client_2)
# 设置代理IDagent_1.id = "agent_1"agent_2.id = "agent_2"
# 连接代理agent_1.connect()agent_2.connect()
# 模拟用户消息user_message = "What is the capital of France?"agent_1.receive_message(    message={        "role": "user",        "content": user_message    })