前言

也算做了好长一段时间的LLM-based MAS，有几个协议一直在这段时间出现在我周围：

MCP
A2A
ACP（新的）

然后于是，想来了解一下，这究竟具体是何方神圣。

正文

1. MCP（Model Context Protocol）

1.1 什么是MCP？

Model Context Protocol（简称 MCP）是由 Anthropic 发起并开源的一种标准化通信协议，用于让大语言模型（LLM）和代理系统以统一方式访问外部工具、数据源与服务。它被比喻为“AI 的 USB-C 接口”，正在成为连接智能体与软件生态的通用标准。

关键信息

发布机构： Anthropic（2024 年开源）
核心作用： 统一 LLM 与外部系统的数据与功能接口
通信方式： 基于 JSON-RPC 2.0 的双向协议
主要组件： Host、Client、Server
常用语言 SDK： Python、TypeScript、C#、Java、Rust 等

架构与机制

MCP 采用主机-客户端-服务器（Host-Client-Server）架构。主机是运行 LLM 或 AI 代理的应用（如 Claude Desktop 或 IDE 环境），负责权限与上下文聚合；客户端在主机中创建，与单个服务器建立 1∶1 连接；服务器由外部工具或数据源实现，向客户端暴露三类能力：

Resources（资源）： 各类结构化数据，如文件、数据库记录；
Tools（工具）： 可执行动作的接口，如提交 API 请求或运行查询；
Prompts（提示模板）： 可复用的交互模板与任务工作流。
通信过程通过请求-响应与通知模式完成初始化、数据传输和能力协商。

技术特性

MCP 定义了安全边界与可扩展机制：

能力协商（Capability Negotiation） 确保客户端与服务器仅启用双方支持的功能；
多传输层 支持 stdio、HTTP (SSE) 与 WebSocket 通信；
安全模型 采用零信任设计，主机需显式授权所有外部调用；
可组合性 各服务器职责单一，可在同一主机中无缝组合使用。

重要意义与应用

在 MCP 出现之前，每个 AI 系统都需为不同应用编写自定义集成代码。MCP 将 N 个 AI 应用与 M 个外部工具的集成复杂度，从 N × M 降至 N + M。该协议已被 GitHub、Figma、Microsoft 等产品支持，用于实现 IDE 、桌面助手、企业 CRM 和多智能体系统的统一连接。
随着生态扩展，MCP 有望成为 AI 工具互操作的行业标准，使智能体能够在安全框架下跨平台访问上下文、执行操作并协调复杂任务。

1.2 MCP的实际应用

本质：JSON-RPC 风格的协议

1.2.1 工具注册（Tool Definition）

{
  "name": "search_papers",
  "description": "Search academic papers",
  "input_schema": {
    "type": "object",
    "properties": {
      "query": { "type": "string" },
      "top_k": { "type": "integer" }
    },
    "required": ["query"]
  }
}

这一步是在告诉模型：“我有一个工具，你可以这样调用我”

1.2.2 模型发起调用（Tool Call）

{
  "jsonrpc": "2.0",
  "method": "tools/call",
  "params": {
    "name": "search_papers",
    "arguments": {
      "query": "SBOM vulnerabilities",
      "top_k": 5
    }
  },
  "id": 1
}

1.2.3 工具返回结果

{
  "jsonrpc": "2.0",
  "result": {
    "papers": [
      { "title": "SBOM Security Issues", "year": 2024 },
      { "title": "Software Supply Chain Risks", "year": 2023 }
    ]
  },
  "id": 1
}

1.2.4 MCP 的关键点

基于 JSON-RPC（请求-响应）
强 schema（input_schema）
工具是“被动调用”的

核心抽象：function call

2. A2A（Agent-to-Agent）

2.1 什么是A2A？

Agent-to-Agent Protocol（简称 A2A）是一项由 Google 于 2025 年推出的开放通信标准，旨在让不同平台、框架或厂商构建的自主 AI 代理（agents）能够安全、标准化地互相发现、交流与协作。它是多代理系统（multi-agent systems）实现互操作性的核心机制。

关键信息

发布方：Google，与逾 50 家技术合作伙伴联合发布（2025 年 4 月）
核心定位：为 AI 代理提供通用通信协议
主要技术：HTTP(S)、JSON-RPC 2.0、Server-Sent Events (SSE)
安全机制：TLS 加密、OAuth 2.0、API Key、mTLS
互补协议：Model Context Protocol (MCP)

核心设计与工作机制

A2A 通过“客户端代理（client agent）”与“远程代理（remote agent）”之间的交互完成任务协作。通信以 任务（Task） 为中心展开，支持异步和长任务流。每个代理通过一个标准化的 Agent Card（通常位于 /.well-known/agent.json）公开自身身份、技能、输入输出格式及认证要求，从而实现动态发现和自动匹配。

消息以 JSON-RPC 封装，可包含文本、结构化数据、文件甚至流媒体等多种内容类型。协议内置 任务生命周期管理（提交→进行中→完成/失败）及状态事件，使协作具备可追踪性和持久性。

与 MCP 的关系

A2A 与 Model Context Protocol 互为补充：

MCP 连接代理与外部工具或数据源（“agent-to-tool” 层）。
A2A 连接代理与代理（“agent-to-agent” 层）。
二者结合构成完整的智能系统通信栈，使代理既能调用工具，又能与其他代理协同。

应用与优势

A2A 使企业能够组合不同模型或服务的专用代理，如客服、检索、分析、生成等，从而构建可扩展、模块化的智能体系。其优势包括：

跨框架互操作：消除厂商锁定，实现多语言、多平台协作。
任务级协作：支持委派、协同、咨询等多种代理协作模式。
企业级安全：沿用现有身份认证体系，支持审计与追踪。
可扩展架构：任务模型天然支持水平扩展和并行处理。

当前地位与发展

A2A 由 Google 开源并已贡献至 Linux Foundation 的 Agentic AI Foundation 进行治理。其生态系统正快速扩展，被视为构建“智能代理网络（Agentic Web）”的重要基石。随着 MCP、ANP 等相关协议协同发展，A2A 正成为未来多代理通信标准的核心组成部分。

2.2 A2A的实际应用

本质：带角色 + 意图的消息传递

2.2.1 Agent 发任务给另一个 Agent

{
  "from": "planner_agent",
  "to": "coder_agent",
  "type": "task",
  "content": {
    "goal": "Implement SBOM parser",
    "requirements": [
      "Support SPDX",
      "Output JSON"
    ]
  }
}

2.2.2 coder_agent 回复

{
  "from": "coder_agent",
  "to": "planner_agent",
  "type": "result",
  "content": {
    "status": "completed",
    "repo_url": "https://github.com/example/sbom-parser"
  }
}

2.2.3 A2A 的关键点

有 agent identity（from/to）
有 message type（task/result/feedback）
payload 更自由（不像 MCP 那么 rigid）

核心抽象：协作对话

3. ACP（Agent Communication Protocol）【在我看来也就比A2A底层一点，除此之外没有区别】

3.1 什么是Agent Communication Protocol？

Agent Communication Protocol（ACP）是一种开放标准，旨在让不同框架、语言和运行环境的人工智能代理（AI agents）能够相互通信与协作。它为多代理系统提供统一的消息格式与接口，支持跨平台的互操作性与任务协调。ACP最初由IBM的BeeAI项目提出，现已并入Linux基金会旗下的Agent2Agent（A2A）计划。

关键信息

首次发布： 2024年（IBM BeeAI项目）
当前维护方： Linux Foundation（并入A2A协议）
通信方式： REST/HTTP，支持异步与同步模式
主要实现： BeeAI Framework、Python与TypeScript SDK
特性焦点： 开放治理、跨框架互通、多模态消息支持

核心设计与机制

ACP基于REST原则，通过HTTP端点发送和接收消息，无需专用SDK即可集成。其消息模型允许文本、图像、音频、结构化数据等多模态内容，并以异步通信为默认模式，以支持长时运行或复杂任务。协议还支持离线发现，即使代理暂未上线，也可通过嵌入的元数据被识别。其安全设计包括身份认证、元数据签名与加密通信。

生态与用途

ACP为多代理协作提供标准通信层。例如，不同企业的生产调度代理与物流代理可通过ACP交换实时库存与运输数据，而无需定制接口。它支持跨系统、跨组织的工作流，如企业内部客服、库存、与人力资源系统之间的协作。
ACP在BeeAI平台上作为通信底层，为发现、运行和共享符合协议的代理提供基础设施。其开放生态还允许开发者使用Python或TypeScript SDK快速封装和部署兼容代理。

与其他协议的关系

ACP常与Model Context Protocol和Agent2Agent Protocol相提并论：

MCP 聚焦于单模型与工具间的数据与上下文交换。
ACP 面向多代理间的点对点通信与协作。
A2A 由Google发起，现与ACP在Linux基金会下融合，形成统一的开放代理互操作标准。

当前发展

并入A2A后，ACP的规范与实现正持续演进，重点方向包括身份联合、访问委托、多注册表支持及跨组织的安全信任管理。其目标是为“代理互联网（Internet of Agents）”奠定通用通信基础，使未来AI系统能像网络服务一样自由互联与协作。

3.2 ACP：更底层通信协议（偏基础设施）

Agent Communication Protocol

本质：标准化消息 envelope（信封）

3.2.1 一个更通用的消息格式

{
  "header": {
    "message_id": "12345",
    "sender": "agent_A",
    "receiver": "agent_B",
    "timestamp": "2026-04-01T12:00:00Z",
    "protocol_version": "1.0"
  },
  "body": {
    "action": "request",
    "payload": {
      "task": "analyze dataset",
      "dataset_id": "xyz"
    }
  }
}

3.2.2 响应

{
  "header": {
    "message_id": "12345-resp",
    "correlation_id": "12345"
  },
  "body": {
    "status": "ok",
    "result": {
      "accuracy": 0.91
    }
  }
}

3.2.3 ACP 的关键点

明确的 header / body 分层
支持 tracing（correlation_id）
更像企业级系统（微服务通信）

核心抽象：message bus / API

4. 三者“协议层级”对比

我们可以这样理解

        ┌───────────────┐
        │   A2A（协作） │  ← 高层语义（任务、角色）
        ├───────────────┤
        │   ACP（通信） │  ← 传输规范（message format）
        ├───────────────┤
        │   MCP（工具） │  ← 外部能力调用
        └───────────────┘

4.1 A2A 和 ACP

A2A 和 ACP 确实高度重叠，但不是同一个层级

A2A = “语义层（怎么协作）”
ACP = “通信层（怎么传消息）”

4.1.1 A2A：定义“协作语义”

Agent-to-Agent Protocol

A2A 更像是：“Agent 之间在干什么？”

比如：

{
  "type": "task",
  "goal": "write code"
}

或者：

{
  "type": "feedback",
  "score": 0.8
}

它关注的是：

task delegation
collaboration pattern
roles（planner / coder / critic）

4.1.2 ACP：定义“消息怎么走”

Agent Communication Protocol

ACP 更像：“这条消息怎么被可靠地送过去？”

比如：

{
  "header": {
    "message_id": "123",
    "sender": "agent_A",
    "receiver": "agent_B",
    "timestamp": "...",
    "retry": 2
  },
  "body": {
    "type": "task",
    "payload": {...}
  }
}

它关注的是：

message envelope
routing / addressing
reliability（retry / timeout）
tracing（correlation_id）

4.1.3 关键区别

维度	A2A	ACP
关注点	“做什么”	“怎么传”
抽象层	高（语义）	低（通信）
是否必须	❌（简单系统可省）	✅（分布式必须）
在 LangGraph 中	graph edges	state + runtime

总结

就是酱紫！

        ┌───────────────┐
        │   A2A（协作） │  ← 高层语义（任务、角色）
        ├───────────────┤
        │   ACP（通信） │  ← 传输规范（message format）
        ├───────────────┤
        │   MCP（工具） │  ← 外部能力调用
        └───────────────┘

一句话：MCP 管“用工具”，A2A 管“干什么”，ACP 管“怎么传”

MCP = 让 AI 调用工具（AI → Tool）
A2A = 让 AI 分工协作（Agent → Agent，语义层）
ACP = 让 AI 可靠通信（Agent → Agent，通信层）

参考

[1] ChatGPT

星星の小窝

[人工智能] MCP、A2A 和 ACP 在多智能体框架中的含义

前言

正文

1. MCP（Model Context Protocol）

1.1 什么是MCP？

1.2 MCP的实际应用

1.2.1 工具注册（Tool Definition）

1.2.2 模型发起调用（Tool Call）

1.2.3 工具返回结果

1.2.4 MCP 的关键点

2. A2A（Agent-to-Agent）

2.1 什么是A2A？

2.2 A2A的实际应用

2.2.1 Agent 发任务给另一个 Agent

2.2.2 coder_agent 回复

2.2.3 A2A 的关键点

3. ACP（Agent Communication Protocol）【在我看来也就比A2A底层一点，除此之外没有区别】

3.1 什么是Agent Communication Protocol？

3.2 ACP：更底层通信协议（偏基础设施）

3.2.1 一个更通用的消息格式

3.2.2 响应

3.2.3 ACP 的关键点

4. 三者“协议层级”对比

4.1 A2A 和 ACP

4.1.1 A2A：定义“协作语义”

4.1.2 ACP：定义“消息怎么走”

4.1.3 关键区别

总结

参考

Xinhai Zou

前言

正文

1. MCP（Model Context Protocol）

1.1 什么是MCP？

1.2 MCP的实际应用

1.2.1 工具注册（Tool Definition）

1.2.2 模型发起调用（Tool Call）

1.2.3 工具返回结果

1.2.4 MCP 的关键点

2. A2A（Agent-to-Agent）

2.1 什么是A2A？

2.2 A2A的实际应用

2.2.1 Agent 发任务给另一个 Agent

2.2.2 coder_agent 回复

2.2.3 A2A 的关键点

3. ACP（Agent Communication Protocol）【在我看来也就比A2A底层一点，除此之外没有区别】

3.1 什么是Agent Communication Protocol？

3.2 ACP：更底层通信协议（偏基础设施）

3.2.1 一个更通用的消息格式

3.2.2 响应

3.2.3 ACP 的关键点

4. 三者“协议层级”对比

4.1 A2A 和 ACP

4.1.1 A2A：定义“协作语义”

4.1.2 ACP：定义“消息怎么走”

4.1.3 关键区别

总结

参考

[记录] Copy as cURL 用于爬虫（Cookie Session）

Xinhai Zou