谷歌推出了 A2A 協議，即 Agent-to-Agent，這項協議使得 AI Agent 智能體能夠在不同的生態系統中安全地進行協作，無需考慮框架或供應商的差異。

不同平臺構建的 AI Agent 智能體之間可以實現通信、發現彼此的能力、協商任務并開展合作，企業可以通過專業的智能體團隊處理復雜的工作流程。

重點：它是開源的。

Github 地址：https://github.com/google/A2A

不多說，讓我們先來看一個演示。

利用 A2A 協議，招聘流程可以如此高效：

在谷歌的 Agentspace 統一界面中，招聘經理可以向自己的智能體下達任務，讓其尋找與職位描述、工作地點和技能要求相匹配的候選人。

然后，該智能體立即與其他專業智能體展開互動，尋找潛在候選人。

用戶會收到推薦人選，之后可以指示自己的智能體安排進一步的面試，面試環節結束后，還可以啟動另一個智能體來協助進行背景調查。

MCP 架構設計與 A2A 架構設計區別與聯系剖析

盡管市面上的大語言模型（LLMs）種類繁多，但大家在使用時其實都是通過 API 來與大模型交互的。這些大模型的接口通常遵循一些通用的規范，比如：  OpenAI 的標準。下面，我們就以 OpenAI 接口為例，來聊聊這些大模型都有哪些能力。

因此 Google 提出了一個新的 A2A（Agent-to-Agent） 協議概念。與此同時，MCP（Model Context Protocol） 也在逐步成為連接 LLM 與外部世界的標準。

那么，A2A 究竟是什么？它和 MCP 有什么不同？它們之間又是什么關系？對于我們 AI 學習者來說，理解這些協議對于把握 AI Agent 的發展方向至關重要。今天，就讓我們結合 Google 的官方發布的信息，一起來深入了解一下。

1、為什么我們需要協議？

首先，我們要明白協議的重要性。無論是人類社會還是計算機世界，標準化的協議都是實現高效溝通和協作的基礎。在 AI Agent 的世界里，協議主要解決兩大互聯領域的挑戰：

第一、Agent 與 Tools（工具）的交互

Agent 需要調用外部 API、訪問數據庫、執行代碼等。

第二、Agent 與 Agent（其他智能體或用戶）的交互

Agent 需要理解其他 Agent 的意圖、協同完成任務、與用戶進行自然的對話。

標準化的協議能夠大大降低不同系統、模型、框架之間集成的復雜度，促進整個生態的繁榮。

2、MCP：連接模型與世界的橋梁

在我們探索 A2A 之前，讓我們先回顧一下大家可能已經熟悉的 MCP（Model Context Protocol）。

定義：MCP 是一個新興的開放標準，它的目的是將大語言模型（LLMs）與各種數據源、資源和工具連接起來。

核心作用：MCP 的核心作用是標準化模型與外部工具進行“函數調用”（Function Calling）等交互的方式。你可以把它想象成一個為大模型提供的標準化接口集，使大模型能夠識別可用的工具，并了解如何利用這些工具。

關注點：MCP 主要關注智能體（Agent）如何高效地利用結構化的工具和數據來完成特定的任務。

3、A2A：開啟 Agent 間自然協作的大門

讓我們深入了解一下 A2A（Agent-to-Agent）協議。

定義：A2A 是一種應用層協議，其設計目的是使智能體（Agent）能夠以一種自然的模態進行協作，類似于人與人之間的互動。

核心作用：A2A 專注于智能體之間的溝通與合作，以及智能體與用戶之間的互動。它旨在使智能體能夠像人類一樣交流，傳遞意圖、協商任務和共享信息。

關注點：A2A 的重點在于智能體作為“智能體”進行互動的能力，而不僅僅是作為工具的執行者。

示例：

用戶與智能體的互動：用戶（或代表用戶的智能體）可以像與真人交談一樣對修理店智能體說：“給我看看左前輪的照片，似乎漏液了，這種情況多久了？” A2A 協議使得這種更自然、多輪次的對話式互動成為可能。

智能體之間的互動：修理店智能體在診斷出問題后，可能需要向零件供應商智能體查詢某個零件的庫存和價格。這種智能體之間的協作同樣需要 A2A 協議來支持。

4、A2A 與 MCP 的關鍵區別

根據上述內容，我們可以概括出 A2A 和 MCP 之間的主要區別：

關注點的差異：

MCP：側重于智能體（Agent）與工具/資源之間的交互，強調的是結構化的調用和數據獲取。

A2A：側重于智能體與智能體/用戶之間的互動，強調的是更自然、更靈活的協作方式。

解決的問題的差異：

MCP：旨在解決如何讓大語言模型（LLM）或智能體以標準化的方式使用外部工具和數據的問題。

A2A：旨在解決如何使不同的智能體能夠像人類一樣相互理解和協作的問題。

5、相輔相成而非取而代之：A2A 與 MCP 的協同效應

需要明確的是，A2A 與 MCP 并非相互排斥，而是相輔相成的關系。在構建復雜的智能體（Agent）應用時，這兩種協議往往會被同時采用。

下圖展示了一個典型的“智能體應用”架構：

    第一、核心智能體（可能包含子智能體）是基于智能體框架和大語言模型（LLM）構建的。

    第二、當智能體需要與外部的黑箱智能體（例如，Blackbox Agent 1, Blackbox Agent 2）進行協作溝通時，它會利用 A2A 協議。

    第三、當智能體需要訪問結構化的資源、工具或數據時（例如，通過一個集中的 MCP 服務器），它會遵循 MCP 協議。

    第四、甚至外部智能體（比如 Blackbox Agent 2）也可能通過 MCP 獲取有關核心智能體的信息（如圖中的"Get agent card"操作）。

這個架構清楚地表明，智能體既需要 MCP 來“使用工具、獲取資源”，也需要 A2A 來“與其他智能體對話、協作”。

6、對 AI 學習者來說意味著什么？

對于 AI 學習者而言，理解 A2A 和 MCP 的概念及其相互關系具有重要意義：

第一、掌握前沿趨勢：了解這些協議有助于我們把握 AI Agent 領域為實現更強的自主性和協作性所做的最新努力。

第二、系統設計視角：在規劃或設計未來的 AI 應用時，能夠從協議層面思考如何集成不同的 Agent 和工具，從而構建更為復雜的系統。

第三、技術選型參考：當面對不同的 Agent 框架或平臺時，可以關注它們是否支持或兼容類似 MCP 或 A2A 的協議，這可能會影響它們的互操作性和擴展性。

此外，谷歌已經與超過 50 家技術合作伙伴（例如 Atlassian、Box、Salesforce、SAP 等）和服務提供商建立了合作關系。這表明了行業對這些協議的認可和采用，對于 AI 學習者來說，也意味著這些協議可能會成為未來職業發展中的關鍵技能。

7、總結

A2A 和 MCP 是推動 AI 智能體（Agent）實現更高級互操作性的兩個關鍵協議。MCP 專注于智能體與工具或資源的連接，標準化了函數調用過程；相對地，A2A 專注于智能體之間的自然協作和交流。這兩個協議相輔相成，共同構成了未來復雜智能體應用的基礎設施。

對于 AI 學習者來說，持續關注并理解這些協議的發展至關重要。這將幫助我們更好地掌握 AI 智能體技術的趨勢，參與創造下一代智能應用程序。

本文轉載自公眾號玄姐聊AGI  作者：玄姐

原文鏈接：??https://mp.weixin.qq.com/s/af7cTCx0dr2cp_lEres_NQ??