代理對代理（A2A）和模型上下文協議（MCP）是應用最廣泛的人工智慧協議中的兩種，近來備受關注。乍一看，人們可能會認為“A2A 與 MCP”是非此即彼的選擇，但實際上這兩個協議解決的是不同的難題。本文將闡明什麼是 A2A 和 MCP，明確它們在人工智慧系統中的不同作用，並解釋它們如何相互補充以實現企業人工智慧工作流的整合。
什麼是A2A（Agent-to-Agent）？
Agent2Agent（A2A）是谷歌推出的一項開放協議，它規範了人工智慧代理的通訊和協作方式。從本質上講，A2A 允許由不同供應商構建或在不同平臺上執行的獨立人工智慧代理形成一種共同的合作語言。使用 A2A，代理可以交換目標、共享上下文，並以安全、有序的方式相互呼叫操作。該協議的明確設計目的是允許跨越不同雲、應用程式或服務的多代理工作流。A2A 基於 HTTP 等熟悉的網路標準構建，因此更容易整合到現有的 IT 堆疊中。
要了解 A2A 協議的工作原理，請參閱本文：A2A 如何工作？
什麼是MCP（模型上下文協議）？
模型上下文協議（MCP）由 Anthropic（Claude 的母公司）推出，它允許將人工智慧代理（或 LLM）連線到外部工具。如果說 A2A 是關於代理與代理之間的通訊，那麼 MCP 則是關於代理與資源之間的整合。它為人工智慧模型訪問模型自身引數之外的各種資料來源、知識庫和服務提供了一種統一的標準化方式。這就是為什麼它通常被稱為人工智慧應用的 “USB-C 埠”。在此之前，開發人員必須為每個新工具或資料來源編寫自定義整合（導致一次性聯結器的糾結）。MCP 以一個開放協議取而代之，因此任何符合要求的資料/服務聯結器都能與任何具有 MCP 感知的代理協同工作。
要了解 MCP 的工作原理，請參閱本文：MCP 如何工作？
A2A與MCP
本表總結了 A2A 與 MCP 的不同作用：
| 對比項 | A2A (Agent-to-Agent) | MCP (Model Context Protocol) |
|---|---|---|
| 目的 | 連線和協調多個代理（代理 ↔ 代理） | 連線代理與外部工具/資料（代理 ↔ 資源） |
| 主要功能 | 代理之間的任務委託；上下文和目標交換 | 工具和資料整合；為代理提供即時上下文 |
| 建立者 | Google（開放規範，合作伙伴參與貢獻） | Anthropic（開放規範，多供應商採用） |
| 生態系統支援 | Microsoft（Azure AI Foundry, Copilot Studio）、Google、Atlassian、Salesforce、ServiceNow 等 | Microsoft（Copilot Studio）、Google、OpenAI、Anthropic（Claude）、Atlassian 等 |
| 關注點 | 代理間通訊：安全性、信任和互操作性 | 代理擴充套件性：統一訪問資料來源和工具，保持代理的最新上下文 |
| 類比 | 代理間對話和團隊合作的協議 | 連線代理到所需資料/工具的通用插頭 |
主要區別
A2A 和 MCP 在人工智慧架構的不同領域開展工作。以下是它們之間 3 個主要區別的簡明分解：
- 互動範圍：A2A 將代理相互連線起來。另一方面，MCP 將代理與外部工具和資料連線起來。谷歌將 A2A 定義為實現代理協作的標準，而克勞德的 MCP 則側重於將代理與外部服務連線起來。
- 主要功能：A2A 處理代理之間的通訊、任務委託和狀態共享。MCP 透過一個統一的、基於工具的介面將單個代理與外部資源連線起來，從而為其提供功能。
- 設計原則：A2A 基於 HTTP/JSON 標準構建，支援代理發現和安全委託。MCP 使用 JSON-RPC，強調工具註冊、資料訪問和即時上下文反饋。A2A 將代理視為同行，而 MCP 則將工具視為可呼叫的服務。
它們如何獨立工作
A2A 單獨工作：想象一家公司在財務、營銷和排程等領域擁有專門的人工智慧代理。主代理可以使用 A2A 將預算或時間表規劃等任務委託給其他代理。每個代理透過共享協議反饋結果。不過，如果沒有 MCP，每個代理只能依靠其內部知識或硬連線。
單靠 MCP：想象一下，支援聊天機器人使用 MCP 連線到即時系統，如產品資料庫、發貨 API 和知識庫。這種設定可使代理即時動態感知並採取行動。即使沒有 A2A，MCP 也能將其變成一個工具豐富、反應靈敏的助手。但是，它無法協調多個代理來解決複雜或多步驟的問題。
這兩個協議各自都能帶來明顯的價值。A2A 實現了模組化團隊協作，而 MCP 則允許代理擁有外部功能。
整合（更好地協作）
Source: Github Documentation
在現代 GenAI 系統中，A2A 和 MCP 通常一起執行，以實現智慧協調：
- 分層合作：將 MCP 視為工具和資料訪問的基礎，將 A2A 視為在代理之間分配任務的協調層。以供應鏈為例，代理使用 MCP 獲取庫存資料、處理採購和管理交付，而 A2A 則使他們能夠共享任務和結果。
- 統一開發體驗：Microsoft Copilot Studio 展示了這種整合。開發人員可在一個介面中註冊 MCP 工具並透過 A2A 連結代理工作流。A2A 處理流程，MCP 處理功能。
誤解
儘管 A2A 與 MCP 起源於不同的組織，但它們不應該存在，因為它們不是相互競爭的標準：
- 問題不同：A2A 用於通訊，而 MCP 用於執行。它們在不同的協議層上執行。
- 功能互補：A2A 實現了代理之間的任務共享。MCP 可讓每個代理使用工具。
- 行業範圍內的一致性：微軟在 Copilot 中整合了 A2A，並註冊了 MCP 工具。Anthropic 開源 MCP 並支援 A2A 的採用。
- 重要性無等級之分：兩者都能解決關鍵挑戰。沒有 MCP 的 A2A 會導致代理無從下手；沒有 A2A 的 MCP 會導致代理孤立無援。
這兩種標準的所有者（谷歌和 Anthropic）都在積極鼓勵在企業人工智慧工作流程中整合這兩種標準。使用這兩種標準意味著要建立能夠適應和擴充套件的代理系統。
優勢互補
這兩種協議都擅長處理特定的工作流程。但當它們一起使用時，就能相互彌補：
- 互操作性 + 可擴充套件性：A2A 跨系統連線代理。MCP 使每個代理都具有可擴充套件性。它們共同建立了模組化、靈活的生態系統。
- 專業化 + 合作：代理可以專業化，也可以合作。MCP 為它們提供工具，而 A2A 則允許它們分擔工作量。
- 即時適應： MCP 提供新的環境，而 A2A 則在條件發生變化時重新安排任務。系統變得有彈性、反應靈敏。
- 管理 + 可觀察性：MCP 管理工具訪問，而 A2A 管理互動。它們共同提供了可追溯性、合規性和控制性。
它們共同為生成式人工智慧系統帶來了智慧和互操作性。
小結
A2A 和 MCP 不是孤立的，而是協同標準。它們各自解決不同的問題。但是，當它們結合在一起時，就能使代理進行通訊（A2A）並根據真實世界的上下文進行操作（MCP）。
微軟執行長薩蒂亞-納德拉（Satya Nadella）說得最好：
A2A和MCP等開放協議是實現代理網路的關鍵……[這樣]客戶就可以構建設計互操作的代理系統。
GenAI 的未來並不在於選擇一種協議或另一種協議。而是要為我們的工作流程找到將它們結合起來的方法。它們共同為可互操作和工具感知的下一代智慧系統奠定了基礎。
評論留言