超简单使用A2A和MCP开发DeepSearch和AgentRAG（含源码)

在构建智能代理系统时，如何高效地集成上下文信息并实现代理之间的协同？本文将围绕 A2A (Agent2Agent) 协议和 MCP (Model Context Protocol)，带你快速上手 DeepSearch 和 AgentRAG 示例，并讲解如何自定义开发基于 A2A 和 MCP 的工具。

脱泥不tony

468人浏览 · 2025-05-14 16:36:17

脱泥不tony · 2025-05-14 16:36:17 发布

引言

在构建智能代理系统时，如何高效地集成上下文信息并实现代理之间的协同？本文将围绕 A2A (Agent2Agent) 协议和 MCP (Model Context Protocol)，带你快速上手 DeepSearch 和 AgentRAG 示例，并讲解如何自定义开发基于 A2A 和 MCP 的工具。

一、核心概念

1. 什么是 MCP？

Model Context Protocol (MCP) 是一个开放协议，旨在标准化应用程序向大型语言模型（LLM）提供上下文的方式。它类似于 AI 应用中的 USB-C 接口，为不同数据源和工具接入 LLM 提供统一标准。主要特点：

标准化上下文提供：结构化定义如何将文件、数据库、API 等数据源和工具以统一格式接入模型。
灵活架构：采用客户端-主机-服务器模式，支持多实例并发，适用单/多代理场景。
安全隔离：在不同安全域内按需开放工具能力，防止数据泄露。

MCP 让 AI 应用更易扩展、更安全、更可维护。

2. 什么是 A2A？

Agent2Agent (A2A) 是 Google 提出的代理互操作协议，支持不同 AI 代理之间的多模态通信、能力发现与安全隔离。核心特性：

多模态通信：支持文本、结构化表格、文件、图片等多种数据形式。
能力发现与协商：通过 Agent Card（JSON 格式）发布和查询代理能力。
安全隔离：代理无需共享内部逻辑，只需开放交互接口。

A2A 适合构建复杂的多代理系统，实现跨平台、跨厂商协同。

3. 优缺点分析

特性	优点	缺点
灵活性	相比固定工作流（如 Dify、Coze），A2A+MCP 更加灵活，可随需扩展工具。	对普通用户而言，自定义 MCP 和 Agent 实现门槛较高。
多模态	支持文本、表格、图片等多种数据形式交互。	当代理数据量巨大，工作流会变复杂，可能需要强化学习或微调。
安全性	代理间安全隔离，不暴露内部实现，保障 IP 和隐私。	需额外配置安全策略，增加运维成本。

二、快速上手示例

下面以项目中提供的 DeepSearch 和 AgentRAG 两个示例为基础，演示如何使用 A2A + MCP 搭建单/多代理系统。

1. 准备工作

克隆示例仓库：

 git clone https://github.com/johnson7788/A2AServer.git

安装依赖库：

cd A2AServer/backend/A2AServer && pip install .

2. 单代理：AgentRAG

启动 AgentRAG 服务：

cd backend/AgentRAGpython main.py --port 10005

\2. 在 mcp_config.json 中，你已看到集成了多个 MCP 工具：

{  "mcpServers": {    "RAGTool": {      "command": "uv",      "args": [        "run",        "--with",        "fastmcp",        "fastmcp",        "run",        "mcpserver/rag_tool.py"      ]    }    }  }}

\3. 启动前端：

 cd frontend/single_agent  npm run dev

\4. 打开浏览器，输入 http://localhost:5173（默认端口，请查看你启动的端口），添加 Agent 地址 http://localhost:10005，开始问答。

在这里插入图片描述

### 3. 多代理：DeepSearch + AgentRAG

启动 DeepSearch 服务：

cd backend/DeepSearchpython main.py --port 10004

\2. 启动 AgentRAG 服务（同上）。

cd backend/AgentRAGpython main.py --port 10005

\3. 启动 HostAgent 协调器：

 cd backend/hostAgentAPI pip install -r requirements.txt python api.py

\4. 启动多代理前端：

cd frontend/multiagent_frontnpm run dev

\5. 在浏览器中打开前端，添加两个代理地址，输入问题即可体验代理协作流程。

\6. 多Agent的调用流程图。

在这里插入图片描述

多Agent UI:

主页（方便学习和管理Agent，可以查看Agent的交互流程）

2.添加Agent

添加Agent完成的效果

在这里插入图片描述

添加Agent时的效果

\3. 对话，对话时自动委派Agent到对应功能的agent上

问题和Agent的委派流程

\4. 最终的答案效果（中间过程可以隐藏，也可以流式的输出）

三、自定义开发 A2A + MCP 工具

如果你需要在现有框架下创建新的代理或工具，下面是完整指南：

1. 复制模板目录

cp -r backend/DeepSearch backend/MyCustomAgent

目录结构：

MyCustomAgent├── .env                # 存储模型 API Key├── main.py             # A2A 服务器启动脚本├── mcp_config.json     # MCP 工具配置├── mcpserver/          # 自定义 MCP 工具目录│   └── my_tool.py      # 自定义脚本└── prompt.txt          # Agent 提示文件

如何创建新的 Agent, A2AServer

本教程将指导你如何在现有 AgentRAG 系统中创建一个新的智能 Agent，包括 prompt 编写、MCP 配置和 A2A Server 启动步骤。

第一步：创建1个项目的目录AgentRAG

mkdir AgentRAG

✏️ 第二步：定义 Agent 的 Prompt

编辑或创建 prompt.txt 文件，内容描述 Agent 的角色与工作流程

你是一名擅长复杂问题解答的智能助手。你可以调用检索工具来获取参考内容，并基于检索到的高质量信息回答用户的问题。请遵循以下步骤完成任务：理解用户提出的问题，并根据需要进行分解或重构；使用检索工具查找相关资料，可以进行多次检索，直到找到充分且相关的参考内容；结合检索结果，用自己的语言给出准确、清晰、可靠的答案；如找不到明确答案，也应诚实说明并给出你的分析或建议。

第三步: 创建 mcpserver 目录（如果需要自定义MCP工具，你也可以使用其它已有的MCP工具）

mkdir -p mcpservertouch mcpserver/rag_tool.py

第四步：定义 MCP 工具

# @Desc  : eg: RAG检索工具import timefrom fastmcp import FastMCPmcp = FastMCP("RAG检索工具")@mcp.tool()def RAGsearch(query: str) -> str:    """    根据关键词对企业知识库进行搜索    :param query: 搜索的词语和句子    :return:    """    # 模拟搜索结果, 真实开发，需要替换成自己的向量检索结果    rag_result = """LNG 是 液化天然气 (Liquefied Natural Gas) 的英文缩写。简单来说，它就是经过冷却至零下约 162 摄氏度 (-260 华氏度) 的液态天然气。你可以把它想象成把气体“浓缩”成液体，这样做有几个重要的好处：体积大大缩小： 液化后的天然气体积只有气态时的约 1/600，这使得储存和运输更加高效和经济。便于长距离运输： 由于体积小，LNG 可以通过专门的 LNG 运输船跨洋运输到没有天然气管道连接的地方。更纯净： 在液化过程中，天然气中的杂质，如二氧化碳、硫化物和水等会被去除，使得 LNG 燃烧时更加清洁，减少污染物排放。"""    return rag_resultif __name__ == '__main__':    result = RAGsearch(query="LNG")    print(result)

第五步，配置 MCP 工具

测试下工具，然后在配置到 mcp_config.json 中，测试命令: uv run --with fastmcp fastmcp run mcpserver/rag_tool.py 在 mcp_config.json 中，确保工具名称使用驼峰命名：

 {  "mcpServers": {    "RAGTool": {      "command": "uv",      "args": [        "run",        "--with",        "fastmcp",        "fastmcp",        "run",        "mcpserver/rag_tool.py"      ]    }  }}

第六步：配置你的LLM,创建.env文件

#如果使用deepseek模型，python main.py --provider deepseek --model deepseek-chatDEEPSEEK_API_KEY=sk-xxxx#如果使用openai模型， python main.py --provider openai --model gpt-4oOPENAI_API_KEY=xxx