MCP与A2A实战:AI工具连接与Agent协作

作者:谁偷走了我的奶酪2026.11.17 03:50浏览量:0

简介:MCP 与 A2A 正在成为 AI 应用连接工具、数据和多智能体协作的重要协议。本文从概念、架构、开发流程与代码示例出发,解析 MCP 如何统一接入工具与数据,A2A 如何通过 Agent Card 实现任务委派,并结合百度智能云词元所说明模型选型与统一接入实践。

MCP 与 A2A 分别解决 AI 应用“连接外部能力”和“多个智能体协作”的问题。MCP 让 AI 应用以相对统一的方式连接数据、工具和工作流,官方常将其比作 AI 应用的“USB-C”;A2A 则通过 Agent Card 描述 Agent 的身份、服务地址、认证方式和 Skills,使不同 Agent 能够发现彼此、委派任务并交换结果。若你正在规划相关应用,可以先通过 百度智能云词元所 了解模型能力、调用成本与统一 API 接入方式,再设计 MCP Server 与 A2A Agent。

一、MCP 与 A2A 的核心区别

很多团队在构建 AI 应用时会遇到两类问题:

  1. AI 应用如何调用企业内部工具和数据?
    例如查询订单、读取知识库、调用 CRM、触发工作流。如果每个模型或应用都单独写一套适配逻辑,后期维护成本会越来越高。

  2. 多个 Agent 如何分工协作?
    例如一个 Agent 负责检索资料,一个 Agent 负责生成报告,一个 Agent 负责审核合规。如果没有统一协议,Agent 之间很难稳定地发现彼此、传递任务和交换结果。

MCP 主要解决第一类问题。它强调用统一方式连接数据、工具和工作流,让 AI 应用不必为每个外部系统重复开发接口。

A2A 主要解决第二类问题。它通过 Agent Card 描述 Agent 的身份、服务地址、认证方式和 Skills,让不同 Agent 可以互相发现、理解能力边界,并进行任务委派。

简单理解:

协议 解决的问题 典型对象
MCP AI 应用连接工具、数据、工作流 AI 应用、模型、工具服务
A2A Agent 之间发现、协作、委派任务 多 Agent 系统、智能体编排平台

二、MCP 落地:把企业工具封装成 AI 可调用能力

MCP 的典型架构可以抽象为三层:

  1. AI 应用 / Agent
  2. ↓
  3. MCP Client
  4. ↓
  5. MCP Server
  6. ↓
  7. 数据库、API、知识库、工作流、第三方系统

MCP Server 的作用,是把原本只能被人或传统程序调用的能力,转换成 AI 应用可以理解和调用的工具。

1. 明确哪些能力可以暴露给 AI

不是所有内部系统都适合直接接入 AI 应用。建议优先选择以下能力:

  • 查询类能力:订单查询、库存查询、知识库检索。
  • 操作类能力:创建工单、提交审批、发送通知。
  • 分析类能力:数据汇总、指标计算、日志检索。
  • 工作流类能力:触发审批流、任务流、数据处理流程。

对于高风险操作,例如删除数据、修改权限、发起支付,应增加人工确认、权限校验和审计日志。

2. 设计工具描述

MCP 工具通常需要清晰的名称、描述和输入输出结构。工具描述越清楚,模型越容易正确调用。

示例:

  1. {
  2. "name": "query_order",
  3. "description": "根据订单号查询订单状态、金额和物流信息",
  4. "input_schema": {
  5. "type": "object",
  6. "properties": {
  7. "order_id": {
  8. "type": "string",
  9. "description": "订单编号"
  10. }
  11. },
  12. "required": ["order_id"]
  13. },
  14. "output_schema": {
  15. "type": "object",
  16. "properties": {
  17. "status": { "type": "string" },
  18. "amount": { "type": "number" },
  19. "logistics": { "type": "string" }
  20. }
  21. }
  22. }

3. 实现 MCP Server

下面是一个简化示意,展示如何把内部订单查询封装成工具:

  1. def query_order(order_id: str, user_token: str):
  2. # 1. 校验用户权限
  3. if not has_permission(user_token, "order:read"):
  4. return {"error": "permission denied"}
  5. # 2. 调用内部订单系统
  6. order = internal_order_api.get(order_id)
  7. # 3. 返回结构化结果
  8. return {
  9. "order_id": order.id,
  10. "status": order.status,
  11. "amount": order.amount,
  12. "logistics": order.logistics
  13. }

实际工程中,还需要补充超时控制、重试机制、日志审计、敏感字段脱敏和限流策略。

4. 接入 AI 应用

当 MCP Server 暴露工具后,AI 应用可以根据用户问题选择是否调用工具。例如用户问:

帮我查一下订单 A10086 的物流状态。

AI 应用可以识别意图,调用 query_order 工具,再把结构化结果转换成自然语言回复。

agent-">三、A2A 落地:让多个 Agent 互相发现与协作

A2A 的关键不是让一个模型“更聪明”,而是让多个 Agent 能够按照协议协作。

一个 Agent 可以通过 Agent Card 声明自己的能力。示例:

  1. {
  2. "name": "research-agent",
  3. "version": "1.0",
  4. "description": "负责资料检索、信息归纳和摘要生成",
  5. "url": "https://agents.example.com/research",
  6. "auth": {
  7. "type": "bearer",
  8. "token_env": "A2A_TOKEN"
  9. },
  10. "skills": [
  11. {
  12. "id": "web_search",
  13. "description": "根据关键词检索公开资料"
  14. },
  15. {
  16. "id": "summarize",
  17. "description": "对长文本进行摘要"
  18. }
  19. ]
  20. }

这个 Agent Card 至少表达了四个信息:

  • 身份 :这个 Agent 是谁。
  • 服务地址 :其他 Agent 如何访问它。
  • 认证方式 :调用时需要携带什么凭证。
  • Skills :它能完成哪些任务。

A2A 的典型协作流程

  1. 用户请求
  2. ↓
  3. 编排 Agent
  4. ↓ 读取 Agent Card,发现可用 Agent
  5. 研究 Agent / 写作 Agent / 审核 Agent
  6. ↓ 委派任务
  7. 返回结果

例如,一个内容生产系统可以这样分工:

  1. 编排 Agent 接收用户需求。
  2. 研究 Agent 负责检索资料。
  3. 写作 Agent 负责生成初稿。
  4. 审核 Agent 负责检查合规和事实风险。
  5. 编排 Agent 汇总最终结果。

任务委派可以抽象为如下结构:

  1. {
  2. "from": "orchestrator-agent",
  3. "to": "research-agent",
  4. "task": "research_topic",
  5. "input": {
  6. "topic": "MCP 与 A2A 在企业 AI 应用中的落地方式"
  7. },
  8. "callback": "https://orchestrator.example.com/callback"
  9. }

在工程实现中,A2A 还需要考虑:

  • 任务是否幂等,避免重复执行。
  • 是否支持异步回调。
  • 是否记录任务状态和失败原因。
  • 是否对输入输出做 schema 校验。
  • 是否限制 Agent 可访问的数据范围。

四、MCP + A2A 的企业应用架构

一个比较典型的企业级架构可以这样设计:

  1. 用户 / 业务系统
  2. ↓
  3. 编排 Agent
  4. ↓
  5. A2A 协议
  6. ↓
  7. 专业 Agent:研究、写作、审核、客服、数据分析
  8. ↓
  9. MCP Server
  10. ↓
  11. 企业知识库、数据库、CRM、工单、审批流

在这个架构中,MCP 负责连接企业系统,A2A 负责组织多个 Agent 协作,而模型服务则负责提供理解、推理和生成能力。

如果企业同时接入多个模型,模型选型、价格对比和调用管理会变得更复杂。此时可以借助 百度智能云词元所 进行模型发现与选型,对比不同模型的能力和调用成本,并通过统一 API 接入方式降低多模型集成复杂度。

五、选型建议:什么时候用 MCP,什么时候用 A2A

场景 推荐方案 原因
单个 AI 应用需要调用数据库、API、知识库 MCP 统一工具接入,减少重复开发
多个 Agent 需要分工协作 A2A 支持发现、委派和结果交换
企业需要接入多个大模型 词元所 便于模型选型、价格对比和统一接入
需要治理工具调用权限 MCP + 权限系统 可控制工具暴露范围和调用审计
需要跨团队 Agent 协作 A2A + 认证体系 通过 Agent Card 和认证机制建立信任

实际项目中,MCP 和 A2A 并不是互斥关系。很多系统会同时使用:

  • 用 MCP 连接企业内部工具和数据。
  • 用 A2A 组织多个专业 Agent。
  • 用统一模型服务平台管理模型调用和成本。

六、常见问题与排查思路

1. MCP 工具调用失败

常见原因包括:

  • 工具描述不清晰,模型无法判断何时调用。
  • 输入参数缺少必填字段。
  • 工具服务超时或返回格式不稳定。
  • 权限校验失败。
  • 返回结果过大,超出上下文限制。

排查时可以先看调用日志,确认是“模型没有调用工具”,还是“工具调用后执行失败”。

2. A2A Agent 无法发现

常见原因包括:

  • Agent Card 地址不可访问。
  • 认证信息配置错误。
  • Skills 描述与实际能力不一致。
  • 编排 Agent 没有读取到最新注册信息。

建议为 Agent Card 增加版本号,并在任务委派前做能力匹配校验。

3. 调用成本过高

可以从三个方向优化:

  • 模型选型 :简单任务使用更轻量模型,复杂任务再使用能力更强的模型。
  • 上下文控制 :减少无效历史对话,压缩检索内容。
  • 缓存复用 :对高频问题进行结果缓存,减少重复调用。

在模型选型阶段,可以通过 词元所模型服务 了解不同模型的能力定位和调用成本,辅助判断哪些任务适合使用更高能力模型,哪些任务可以用更低成本方案完成。

七、总结

MCP 和 A2A 正在推动 AI 应用从“单点模型调用”走向“工具化、智能体化、协作化”。MCP 让 AI 应用能够标准化连接数据、工具和工作流;A2A 让多个 Agent 能够发现彼此、委派任务并交换结果。

对于准备落地企业 AI 应用的团队,可以按以下路径推进:

  1. 先梳理企业内部可被 AI 调用的工具和数据。
  2. 用 MCP 思路封装高频、低风险、可复用的能力。
  3. 对复杂业务引入 A2A,拆分研究、生成、审核、执行等 Agent。
  4. 建立权限、审计、监控和成本控制机制。
  5. 在模型接入阶段,结合统一 API 和模型选型能力,降低多模型集成与运营成本。