“谷歌版 MCP”来了！重磅开源 A2A 智能体交互新架构

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 智能体可以或许在差别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异。

差别平台构建的 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复杂的工作流程。
重点：它是开源的。
Github 地址：https://github.com/google/A2A
不多说，让我们先来看一个演示。
使用 A2A 协议，招聘流程可以云云高效：
在谷歌的 Agentspace 同一界面中，招聘司理可以向自己的智能体下达使命，让其探求与职位描述、工作地点和技能要求相匹配的候选人。
然后，该智能体立刻与其他专业智能体展开互动，探求潜在候选人。
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面试，面试环节结束后，还可以启动另一个智能体来协助进行配景调查。
1、MCP 架构设计与 A2A 架构设计区别与联系分析

尽管市面上的大语言模型（LLMs）种类繁多，但大家在使用时其实都是通过 API 来与大模型交互的。这些大模型的接口通常遵照一些通用的规范，好比： OpenAI 的尺度。下面，我们就以 OpenAI 接口为例，来聊聊这些大模型都有哪些本领。
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） 也在渐渐成为连接 LLM 与外部天下的尺度。

那么，A2A 究竟是什么？它和 MCP 有什么差别？ 它们之间又是什么关系？对于我们 AI 学习者来说，明白这些协议对于把握 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、为什么我们须要协议？

首先，我们要明白协议的重要性。无论是人类社会还是盘算机天下，尺度化的协议都是实现高效沟通和协作的基础。在 AI Agent 的天下里，协议主要办理两大互联范畴的挑战：
第一、Agent 与 Tools（工具）的交互
Agent 须要调用外部 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 须要明白其他 Agent 的意图、协同完成使命、与用户进行自然的对话。
尺度化的协议可以或许大大降低差别系统、模型、框架之间集成的复杂度，促进整个生态的繁荣。
2、MCP：连接模型与天下的桥梁

在我们探索 A2A 之前，让我们先回首一下大家大概已经认识的 MCP（Model Context Protocol）。

定义：MCP 是一个新兴的开放尺度，它的目的是将大语言模型（LLMs）与各种数据源、资源和工具连接起来。**
焦点作用：MCP 的焦点作用是尺度化模型与外部工具进行“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型提供的尺度化接口集，使大模型可以或许识别可用的工具，并相识如何使用这些工具。**
关注点：MCP 主要关注智能体（Agent）如何高效地使用结构化的工具和数据来完成特定的使命。**
3、A2A：开启 Agent 间自然协作的大门

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，其设计目的是使智能体（Agent）可以或许以一种自然的模态进行协作，类似于人与人之间的互动。
焦点作用：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。它旨在使智能体可以或许像人类一样交换，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）可以像与真人攀谈一样对修理店智能体说：“给我看看左前轮的照片，似乎漏液了，这种情况多久了？” A2A 协议使得这种更自然、多轮次的对话式互动成为大概。
智能体之间的互动：修理店智能体在诊断出问题后，大概须要向零件供应商智能体查询某个零件的库存和代价。这种智能体之间的协作同样须要 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 之间的主要区别：
关注点的差异：
MCP：侧重于智能体（Agent）与工具/资源之间的交互，强调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，强调的是更自然、更灵活的协作方式。

办理的问题的差异：
MCP：旨在办理如何让大语言模型（LLM）或智能体以尺度化的方式使用外部工具和数据的问题。
A2A：旨在办理如何使差别的智能体可以或许像人类一样相互明白和协作的问题。
5、相辅相成而非取而代之：A2A 与 MCP 的协同效应

须要明白的是，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，这两种协议每每会被同时采用。
下图展示了一个典型的“智能体应用”架构：

第一、焦点智能体（大概包含子智能体）是基于智能体框架和大语言模型（LLM）构建的。
第二、当智能体须要与外部的黑箱智能体（比方，Blackbox Agent 1, Blackbox Agent 2）进行协作沟通时，它会使用 A2A 协议。
第三、当智能体须要访问结构化的资源、工具或数据时（比方，通过一个集中的 MCP 服务器），它会遵照 MCP 协议。
第四、乃至外部智能体（好比 Blackbox Agent 2）也大概通过 MCP 获取有关焦点智能体的信息（如图中的"Get agent card"操作）。
这个架构清楚地表明，智能体既须要 MCP 来“使用工具、获取资源”，也须要 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，明白 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努力。
第二、系统设计视角：在规划或设计未来的 AI 应用时，可以或许从协议层面思索如何集成差别的 Agent 和工具，从而构建更为复杂的系统。
第三、技术选型参考：劈面对差别的 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，这大概会影响它们的互操作性和扩展性。
此外，谷歌已经与超过 50 家技术合作伙伴（比方 Atlassian、Box、Salesforce、SAP 等）和服务提供商创建了合作关系。这表明白行业对这些协议的承认和采用，对于 AI 学习者来说，也意味着这些协议大概会成为未来职业发展中的关键技能。

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自然协作和交换。这两个协议相辅相成，共同构成了未来复杂智能体应用的基础设施。
对于 AI 学习者来说，持续关注并明白这些协议的发展至关重要。这将资助我们更好地把握 AI 智能体技术的趋势，参与创造下一代智能应用程序。
如何学习大模型 AI ？

由于新岗位的生产效率，要优于被代替岗位的生产效率，以是实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“开始把握AI的人，将会比力晚把握AI的人有竞争优势”。
这句话，放在盘算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，引导过不少同行后辈。资助许多人得到了学习和发展。
我意识到有许多履历和知识值得分享给大家，也可以通过我们的本领和履历解答大家在人工智能学习中的许多狐疑，以是在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，许多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包罗AI大模型入门学习头脑导图、佳构AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果须要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的明白超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 谈天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
  
• 大模型是怎样获得「智能」的？
  
• 用好 AI 的焦点心法
  
• 大模型应用业务架构
  
• 大模型应用技术架构
  
• 代码示例：向 GPT-3.5 灌入新知识
  
• 提示工程的意义和焦点思想
  
• Prompt 典型构成
  
• 指令调优方法论
  
• 头脑链和头脑树
  
• Prompt 攻击和防范
  
• …
  

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的本领。快速开辟一个完整的基于 agent 对话机器人。把握功能最强的大模型开辟框架，捉住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
  
• 搭建一个简单的 ChatPDF
  
• 检索的基础概念
  
• 什么是向量表示（Embeddings）
  
• 向量数据库与向量检索
  
• 基于向量检索的 RAG
  
• 搭建 RAG 系统的扩展知识
  
• 混合检索与 RAG-Fusion 简介
  
• 向量模型当地部署
  
• …
  

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，把握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
  
• 什么是模型
  
• 什么是模型训练
  
• 求解器 & 损失函数简介
  
• 小实验2：手写一个简单的神经网络并训练它
  
• 什么是训练/预训练/微调/轻量化微调
  
• Transformer结构简介
  
• 轻量化微调
  
• 实验数据集的构建
  
• …
  

第四阶段（20天）：贸易闭环

对环球大模型从性能、吞吐量、资本等方面有一定的认知，可以在云端和当地等多种情况下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产物司理。

• 硬件选型
  
• 带你相识环球大模型
  
• 使用国产大模型服务
  
• 搭建 OpenAI 代理
  
• 热身：基于阿里云 PAI 部署 Stable Diffusion
  
• 在当地盘算机运行大模型
  
• 大模型的私有化部署
  
• 基于 vLLM 部署大模型
  
• 案例：如何优雅地在阿里云私有部署开源大模型
  
• 部署一套开源 LLM 项目
  
• 内容安全
  
• 互联网信息服务算法备案
  
• …
  

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的使命，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果须要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。