IT评测·应用市场-qidao123.com技术社区

标题: “谷歌版 MCP”来了！重磅开源 A2A 智能体交互新架构 [打印本页]

---

作者: 欢乐狗    时间: 6 天前
标题: “谷歌版 MCP”来了！重磅开源 A2A 智能体交互新架构
大家好，我是玄姐。

  昨天发布，“谷歌版 MCP”登场！
  谷歌推出了 A2A 协议，即 Agent-to-Agent，这项协议使得 AI Agent 智能体能够在不同的生态系统中安全地进行协作，无需思量框架或供应商的差别。
  

  不同平台构建的 AI Agent 智能体之间可以实现通信、发现相互的本领、协商使命并开展合作，企业可以通过专业的智能体团队处理惩罚复杂的工作流程。
  重点：它是开源的。
  Github 地点：https://github.com/google/A2A
  不多说，让我们先来看一个演示。
  利用 A2A 协议，招聘流程可以如此高效：
  在谷歌的 Agentspace 统一界面中，招聘经理可以向自己的智能体下达使命，让其探求与职位形貌、工作地点和技能要求相匹配的候选人。
  然后，该智能体立即与其他专业智能体睁开互动，探求潜伏候选人。
  用户会收到推荐人选，之后可以指示自己的智能体安排进一步的口试，口试环节竣事后，还可以启动另一个智能体来协助进行背景调查。
  

—1—

  

MCP 架构计划与 A2A 架构计划区别与接洽分析

  尽管市面上的大语言模子（LLMs）种类繁多，但大家在利用时着实都是通过 API 来与大模子交互的。这些大模子的接口通常遵照一些通用的规范，比如：  OpenAI 的尺度。下面，我们就以 OpenAI 接口为例，来聊聊这些大模子都有哪些本领。
  因此 Google 提出了一个新的 A2A（Agent-to-Agent） 协议概念。与此同时，MCP（Model Context Protocol） 也在逐步成为连接 LLM 与外部世界的尺度。
  

  那么，A2A 究竟是什么？它和 MCP 有什么不同？它们之间又是什么关系？对于我们 AI 学习者来说，理解这些协议对于把握 AI Agent 的发展方向至关重要。今天，就让我们结合 Google 的官方发布的信息，一起来深入相识一下。
  1、为什么我们需要协议？
  起首，我们要明白协议的重要性。无论是人类社会还是计算机世界，尺度化的协议都是实现高效沟通和协作的基础。在 AI Agent 的世界里，协议重要解决两大互联范畴的挑战：
  第一、Agent 与 Tools（工具）的交互
  Agent 需要调用外部 API、访问数据库、实行代码等。
  第二、Agent 与 Agent（其他智能体或用户）的交互
  Agent 需要理解其他 Agent 的意图、协同完成使命、与用户进行天然的对话。
  尺度化的协议能够大大降低不同系统、模子、框架之间集成的复杂度，促进整个生态的繁荣。
  2、MCP：连接模子与世界的桥梁
  在我们探索 A2A 之前，让我们先回首一下大家可能已经熟悉的 MCP（Model Context Protocol）。
  

  定义：MCP 是一个新兴的开放尺度，它的目标是将大语言模子（LLMs）与各种数据源、资源和工具连接起来。
  核心作用：MCP 的核心作用是尺度化模子与外部工具进行“函数调用”（Function Calling）等交互的方式。你可以把它想象成一个为大模子提供的尺度化接口集，使大模子能够识别可用的工具，并相识怎样利用这些工具。
  关注点：MCP 重要关注智能体（Agent）怎样高效地利用结构化的工具和数据来完成特定的使命。
  3、A2A：开启 Agent 间天然协作的大门
  让我们深入相识一下 A2A（Agent-to-Agent）协议。
  定义：A2A 是一种应用层协议，其计划目标是使智能体（Agent）能够以一种天然的模态进行协作，类似于人与人之间的互动。
  核心作用：A2A 专注于智能体之间的沟通与合作，以及智能体与用户之间的互动。它旨在使智能体能够像人类一样交换，传递意图、协商使命和共享信息。
  关注点：A2A 的重点在于智能体作为“智能体”进行互动的本领，而不仅仅是作为工具的实行者。
  

  示例：
  用户与智能体的互动：用户（或代表用户的智能体）可以像与真人交谈一样对补缀店智能体说：“给我看看左前轮的照片，好像漏液了，这种情况多久了？” A2A 协议使得这种更天然、多轮次的对话式互动成为可能。
  智能体之间的互动：补缀店智能体在诊断出问题后，可能需要向零件供应商智能体查询某个零件的库存和价格。这种智能体之间的协作同样需要 A2A 协议来支持。
  4、A2A 与 MCP 的关键区别
  根据上述内容，我们可以概括出 A2A 和 MCP 之间的重要区别：
  关注点的差别：
  MCP：侧重于智能体（Agent）与工具/资源之间的交互，夸大的是结构化的调用和数据获取。
  A2A：侧重于智能体与智能体/用户之间的互动，夸大的是更天然、更机动的协作方式。
  

  解决的问题的差别：
  MCP：旨在解决怎样让大语言模子（LLM）或智能体以尺度化的方式利用外部工具和数据的问题。
  A2A：旨在解决怎样使不同的智能体能够像人类一样相互理解和协作的问题。
  5、相辅相成而非取而代之：A2A 与 MCP 的协同效应
  需要明白的是，A2A 与 MCP 并非相互排挤，而是相辅相成的关系。在构建复杂的智能体（Agent）应用时，这两种协议往往会被同时采用。
  下图展示了一个典型的“智能体应用”架构：
  

      第一、核心智能体（可能包罗子智能体）是基于智能体框架和大语言模子（LLM）构建的。
      第二、当智能体需要与外部的黑箱智能体（例如，Blackbox Agent 1, Blackbox Agent 2）进行协作沟通时，它会利用 A2A 协议。
      第三、当智能体需要访问结构化的资源、工具或数据时（例如，通过一个集中的 MCP 服务器），它会遵照 MCP 协议。
      第四、甚至外部智能体（比如 Blackbox Agent 2）也可能通过 MCP 获取有关核心智能体的信息（如图中的"Get agent card"操作）。
  这个架构清晰地表明，智能体既需要 MCP 来“利用工具、获取资源”，也需要 A2A 来“与其他智能体对话、协作”。
  6、对 AI 学习者来说意味着什么？
  对于 AI 学习者而言，理解 A2A 和 MCP 的概念及其相互关系具有重要意义：
  第一、把握前沿趋势：相识这些协议有助于我们把握 AI Agent 范畴为实现更强的自主性和协作性所做的最新积极。
  第二、系统计划视角：在规划或计划将来的 AI 应用时，能够从协议层面思索怎样集成不同的 Agent 和工具，从而构建更为复杂的系统。
  第三、技术选型参考：劈面临不同的 Agent 框架或平台时，可以关注它们是否支持或兼容类似 MCP 或 A2A 的协议，这可能会影响它们的互操作性和扩展性。
  别的，谷歌已经与凌驾 50 家技术合作同伴（例如 Atlassian、Box、Salesforce、SAP 等）和服务提供商建立了合作关系。这表明了行业对这些协议的承认和采用，对于 AI 学习者来说，也意味着这些协议可能会成为将来职业发展中的关键技能。
  

  7、总结
  A2A 和 MCP 是推动 AI 智能体（Agent）实现更高级互操作性的两个关键协议。MCP 专注于智能体与工具或资源的连接，尺度化了函数调用过程；相对地，A2A 专注于智能体之间的天然协作和交换。这两个协议相辅相成，共同构成了将来复杂智能体应用的基础设施。
  对于 AI 学习者来说，持续关注并理解这些协议的发展至关重要。这将帮助我们更好地把握 AI 智能体技术的趋势，参与创造下一代智能应用步伐。
  PS：
  【全新推出】为了帮助大家更好的把握 AI 大模子适合的应用落地场景、应用开发技能，推荐大家加入《3天大模子应用开发项目实战直播练习营》，通过3天直播，带你快速把握 Agent、RAG、Fine-tuning 微调、MCP、Prompt  等技能，让大家快速把握企业级 AI 大模子应用实战本领。此练习营刚上新，原价199元，为了回馈粉丝的支持，早鸟价19元，点击以下报名。
  
  

—2—

  

3天大模子应用开发项目实战直播课

  3天的直播课，带你快速把握 Agent、RAG、Fine-tuning 微调、MCP、Prompt  等 AI 大模子应用开发核心技术和企业级项目实践履历。
  直播模块一：Agent 智能体开发实战篇
  

• Agent 智能体技术原理深度解读
  
• Agent 规划本领深度分析与实践 
  
• Agent 办法本领深度分析与实现
  
• Agent 工具调用之 MCP 深度分析 
  
• Agent 智能体 ReAct 机制深度解读 
  
• 从0到1,手搓代码实现企业级智能客服
  

  直播模块二：RAG 知识库 & Fine-tuning 微调篇
  

• RAG 知识库核心技术解读 
  
• RAG 知识库知识切分分析与实践 
  
• RAG 知识库两阶段检索分析与实践 
  
• RAG 知识库项目全流程深度实践 
  
• LoRA 微调技术原理分析 
  
• RAG 和 Fine-tuning 微调技术选型
  

  直播模块三：综合案例实战：Agent + RAG + Fine-tuning 微调 + MCP + Prompt 案例实战篇
  

• Agentic RAG 项目需求分析
  
• Agentic RAG 架构计划--知识库管理
  
• Agentic RAG 架构计划--在线联网问答
  
• Agentic RAG 架构计划--效果评估
  
• Agentic RAG 架构计划--模子弹性扩容
  
• Agentic RAG 核心代码实现
  

  基于 Agent、RAG、Fine-tuning 微调、MCP、Prompt，从需求分析、架构计划、架构技术选型、硬件资料规划、核心代码落地、服务治理等全流程实践，深度学习企业级 AI 大模子应用落地项目全流程重点难点问题解决。
  

  3天时间，你能学会什么？
  在真实项目实践中，你会得到4项硬核本领：
  第一、全面把握 DeepSeek 大模子、Agent、RAG、Fine-tuning 微调、MCP、Prompt 的原理、架构和实现方法，把握核心技术精髓。
  第二、熟练利用 AI 大模子应用开发平台：LangChain、LangGraph、LlamaIndex、AutoGen、Spring AI Alibaba、Swarm 等主流开发框架，为企业级技术实践打下坚固基础。
  第三、通过企业级项目实战演练，能够独立完成基于 Agent、RAG、Fine-tuning 微调、MCP、Prompt 的 AI 大模子应用的实用场景、计划开发和维护，真正学会解决企业级现实问题的本领。
  第四、为职业发展提供更多可能性，无论是提拔加薪还是转行跳槽，提拔核心技术竞争力。
  限时优惠：

  【全新推出】，刚上线，原价199元，回馈粉丝们支持，早鸟价19元！赶快加入把~~
  

—3—

  

添加助教直播学习

  

购买后，一定记得添加助理，否则无法进行直播学习

---

欢迎光临 IT评测·应用市场-qidao123.com技术社区 (https://dis.qidao123.com/)

Powered by Discuz! X3.4