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。
很多团队在构建 AI 应用时会遇到两类问题:
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。
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 |
MCP 的典型架构可以抽象为三层:
AI 应用 / Agent↓MCP Client↓MCP Server↓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。
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:
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。
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:
{"name": "query_order","description": "根据订单号查询订单状态、金额和物流信息","input_schema": {"type": "object","properties": {"order_id": {"type": "string","description": "订单编号"}},"required": ["order_id"]},"output_schema": {"type": "object","properties": {"status": { "type": "string" },"amount": { "type": "number" },"logistics": { "type": "string" }}}}
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:
def query_order(order_id: str, user_token: str):# 1. 校验用户权限if not has_permission(user_token, "order:read"):return {"error": "permission denied"}# 2. 调用内部订单系统order = internal_order_api.get(order_id)# 3. 返回结构化结果return {"order_id": order.id,"status": order.status,"amount": order.amount,"logistics": order.logistics}
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。
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。
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:
{"name": "research-agent","version": "1.0","description": "负责资料检索、信息归纳和摘要生成","url": "https://agents.example.com/research","auth": {"type": "bearer","token_env": "A2A_TOKEN"},"skills": [{"id": "web_search","description": "根据关键词检索公开资料"},{"id": "summarize","description": "对长文本进行摘要"}]}
这个 Agent Card 至少表达了四个信息:
用户请求↓编排 Agent↓ 读取 Agent Card,发现可用 Agent研究 Agent / 写作 Agent / 审核 Agent↓ 委派任务返回结果
例如,一个内容生产系统可以这样分工:
任务委派可以抽象为如下结构:
{"from": "orchestrator-agent","to": "research-agent","task": "research_topic","input": {"topic": "MCP 与 A2A 在企业 AI 应用中的落地方式"},"callback": "https://orchestrator.example.com/callback"}
在工程实现中,A2A 还需要考虑:
一个比较典型的企业级架构可以这样设计:
用户 / 业务系统↓编排 Agent↓A2A 协议↓专业 Agent:研究、写作、审核、客服、数据分析↓MCP Server↓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。
| 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:
常见原因包括:
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”。
常见原因包括:
建议为 Agent Card 增加版本号,并在任务委派前做能力匹配校验。
可以从三个方向优化:
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。
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: