智能体通信协议：MCP、A2A与ANP，构建智能体协作网络

2401_83600008

489人浏览 · 2026-08-15 19:00:00

2401_83600008 · 2026-08-15 19:00:00 发布

本章将深入探讨智能体通信协议这一关键基础设施层。从单体智能体的局限性出发，解析为何需要通信协议，然后系统介绍三种主流协议：MCP（Model Context Protocol） 用于智能体与工具的标准化通信，A2A（Agent-to-Agent Protocol） 用于智能体间的点对点协作，ANP（Agent Network Protocol） 用于构建大规模智能体网络。通过对比三种协议的设计理念与HelloAgents的三层架构实现，帮助读者理解如何选择合适的协议解决实际问题。

在前面的章节中，我们构建了功能完备的单体智能体，它们具备推理、工具调用和记忆能力。然而，当我们尝试构建更复杂的AI系统时，自然会有疑问：如何让智能体与外部世界高效交互？如何让多个智能体相互协作？

这正是智能体通信协议要解决的核心问题。本章将为HelloAgents框架引入三种通信协议：MCP（Model Context Protocol） 用于智能体与工具的标准化通信，A2A（Agent-to-Agent Protocol） 用于智能体间的点对点协作，ANP（Agent Network Protocol） 用于构建大规模智能体网络。这三种协议共同构成了智能体通信的基础设施层。

通过本章的学习，您将掌握智能体通信协议的设计理念和实践技能，理解三种主流协议的设计差异，学会如何选择合适的协议来解决实际问题。

📊 全文知识框架图

一、为什么需要通信协议？

1.1 单体智能体的三大局限

回顾我们在之前构建的ReAct智能体，它已经具备了强大的推理和工具调用能力。让我们看一个典型的使用场景：

from hello_agents import ReActAgent, HelloAgentsLLM
from hello_agents.tools import CalculatorTool, SearchTool

llm = HelloAgentsLLM()
agent = ReActAgent(name="AI助手", llm=llm)
agent.add_tool(CalculatorTool())
agent.add_tool(SearchTool())
# 智能体可以独立完成任务
response = agent.run("搜索最新的AI新闻，并计算相关公司的市值总和")

这个智能体工作得很好，但它面临着三个根本性的限制：

限制	说明
工具集成的困境	每当需要访问新的外部服务（如GitHub API、数据库、文件系统），都必须编写专门的Tool类。这不仅工作量大，而且不同开发者编写的工具无法互相兼容
能力扩展的瓶颈	智能体的能力被限制在预先定义的工具集内，无法动态发现和使用新的服务
协作的缺失	当任务复杂到需要多个专业智能体协作时（如研究员+撰写员+编辑），只能通过手动编排来协调它们的工作

让我们通过一个更具体的例子来理解这些限制。假设你要构建一个智能研究助手，它需要访问GitHub、数据库、天气API等多种服务：

# 传统方式：手动集成每个服务
class GitHubTool(BaseTool):
    """需要手写GitHub API适配器"""
    def run(self, repo_url):
        # 大量的API调用代码...
        pass

class DatabaseTool(BaseTool):
    """需要手写数据库适配器"""
    def run(self, query):
        # 数据库连接和查询代码...
        pass

class WeatherTool(BaseTool):
    """需要手写天气API适配器"""
    def run(self, location):
        # 天气API调用代码...
        pass

# 每个新服务都需要重复这个过程
agent.add_tool(GitHubTool())
agent.add_tool(DatabaseTool())
agent.add_tool(WeatherTool())

这种方式存在明显的问题：代码重复（每个工具都要处理HTTP请求、错误处理、认证等），难以维护（API变更需要修改所有相关工具），无法复用（其他开发者的工具无法直接使用），扩展性差（添加新服务需要大量编码工作）。

1.2 通信协议的核心价值

💡 通俗理解：通信协议就像互联网的TCP/IP协议——它让不同的设备能够相互通信，而不需要为每种设备编写专门的通信代码。

通信协议的核心价值在于，它提供了一套标准化的接口规范，让智能体能够以统一的方式访问各种外部服务，而无需为每个服务编写专门的适配器。

有了通信协议，上面的代码可以简化为：

from hello_agents.tools import MCPTool

# 连接到MCP服务器，自动获得所有工具
mcp_tool = MCPTool()
# 智能体通过统一的MCP接口访问所有服务
agent.add_tool(mcp_tool)

通信协议带来的变化是根本性的：

标准化接口：不同服务提供统一的访问方式
互操作性：不同开发者编写的工具可以无缝集成
动态发现：智能体可以在运行时发现新的服务
可扩展性：系统可以轻松添加新的功能模块

💡 通俗理解：通信协议就像是给智能体配备了一个“万能插座”——无论你接的是什么设备（文件系统、数据库、GitHub），只要它符合协议标准，智能体就能直接用，不需要为每个设备单独配一个转接头。

二、三种主流通信协议

智能体通信协议并非单一的解决方案，而是针对不同通信场景设计的一系列标准。本章以目前业界主流的三种协议——MCP、A2A和ANP为例进行实践。

2.1 MCP：智能体与工具的桥梁

MCP（Model Context Protocol） 由Anthropic团队提出，其核心设计理念是标准化智能体与外部工具/资源的通信方式。

💡 通俗理解：MCP就像是给AI智能体配备的“USB接口”——只要工具支持这个接口标准，智能体就能像插U盘一样即插即用。

MCP的设计哲学不仅是“标准化接口”，更重要的是上下文共享（context sharing） 。它不仅仅是RPC调用，而是让智能体和工具能够共享丰富的上下文信息。例如，当智能体访问代码仓库时，MCP服务器不仅提供文件内容，还能提供代码结构、依赖关系、提交历史等上下文信息，帮助智能体做出更智能的决策。

想象一下，你的智能体需要访问文件系统、数据库、GitHub、Slack等各种服务。传统做法是为每个服务编写专门的适配器，这不仅工作量大，而且难以维护。MCP通过定义统一的协议规范，让所有服务都能以相同的方式被访问。

MCP的完整交互流程：

一个典型的MCP交互流程是：用户问题 → Claude Desktop（Host）→ Claude模型分析 → 需要文件信息 → MCP Client连接 → 文件系统MCP Server → 执行操作 → 返回结果 → Claude生成回答 → 显示在Claude Desktop上。

在实际使用中，MCP客户端可以：

连接到MCP服务器（有多种连接方式）
查询可用工具（通过list_tools()获取工具描述）
调用工具
访问服务器提供的资源和提示模板

实战示例：使用GitHub MCP服务：

# 完整示例：使用 GitHub MCP 服务
# 注意：需要设置环境变量
# Windows: $env:GITHUB_PERSONAL_ACCESS_TOKEN="your_token_here"
# Linux/macOS: export GITHUB_PERSONAL_ACCESS_TOKEN="your_token_here"

from hello_agents.tools import MCPTool

# 创建 GitHub MCP 工具
github_tool = MCPTool(
    server_command=["npx", "-y", "@modelcontextprotocol/server-github"]
)

# 1. 列出可用工具
print("可用工具：")
result = github_tool.run({"action": "list_tools"})
print(result)

# 2. 搜索仓库
print("\n搜索仓库：")
result = github_tool.run({
    "action": "call_tool",
    "tool_name": "search_repositories",
    "arguments": {
        "query": "AI agents language:python",
        "page": 1,
        "perPage": 3
    }
})
print(result)

MCP vs 传统方式对比：

对比维度	传统方式	MCP方式
集成方式	为每个服务手写适配器	统一协议，自动适配
代码量	大量重复代码	少量配置代码
维护成本	API变更需逐个修改	只需维护协议层
可复用性	工具无法跨项目复用	服务可被任何MCP客户端使用
上下文共享	无	支持代码结构、依赖关系等丰富上下文

2.2 A2A：智能体间的对话

A2A（Agent-to-Agent Protocol） 由Google团队提出，其核心设计理念是实现智能体之间的点对点通信。

💡 通俗理解：如果说MCP是智能体的“USB接口”（连接工具），那A2A就是智能体的“微信”（连接其他智能体）。它让不同的AI能够互相“聊天”、分工协作。

与MCP关注智能体与工具的通信不同，A2A关注的是智能体之间如何相互协作。这种设计让智能体能够像人类团队一样进行对话、协商和协作。

A2A的设计哲学是“对等通信”（peer-to-peer communication） 。在A2A网络中，每个智能体既是服务提供者，也是服务消费者。智能体可以主动发起请求，也可以响应其他智能体的请求。这种对等的设计避免了中心化协调器的瓶颈，让智能体网络更加灵活和可扩展。

A2A的核心价值在于：

跨平台互操作性：不同框架开发的智能体可以相互通信
任务协作：智能体可以相互委托任务、共享结果
去中心化：无需中央协调器，智能体间直接通信

💡 通俗理解：A2A让不同公司、不同团队开发的AI能够像人类同事一样协同工作——你负责调研，我负责写作，他负责审核，大家各司其职又互通有无。

A2A在HelloAgents中基于Google官方的a2a-sdk实现，支持智能体间的能力发现（通过Agent Card机制）和任务委托。

2.3 ANP：智能体网络的基础设施

ANP（Agent Network Protocol） 是一个概念性的协议框架，目前由开源社区维护，尚未形成成熟生态。其核心设计理念是构建大规模智能体网络的基础设施。

如果说MCP解决的是“如何访问工具”，A2A解决的是“如何与其他智能体对话”，那么ANP解决的是“如何在大规模网络中发现和连接智能体”。

💡 通俗理解：ANP就像是智能体世界的“电话黄页+DNS服务器”——当网络中有成千上万个智能体时，一个智能体怎么知道谁可以提供它需要的服务？ANP就是解决这个“找谁帮忙”的问题。

ANP的设计哲学是“去中心化服务发现”（decentralized service discovery） 。在一个包含成百上千个智能体的网络中，如何让智能体能够找到它需要的服务？ANP提供了服务注册、发现和路由机制，让智能体能够动态地发现网络中的其他服务，而不需要预先配置所有的连接关系。

ANP的典型操作包括：

注册服务：智能体向网络注册自己提供的能力
发现服务：智能体查询网络中可用的服务
服务路由：将请求路由到提供相应服务的智能体

在HelloAgents中，ANP是框架自研的轻量级实现，提供服务发现和网络管理功能。

2.4 三种协议设计理念比较

对比维度	MCP	A2A	ANP
全称	Model Context Protocol	Agent-to-Agent Protocol	Agent Network Protocol
提出方	Anthropic	Google	开源社区
解决的问题	如何访问工具？	如何与其他智能体协作？	如何在大规模网络中发现服务？
设计哲学	标准化接口 + 上下文共享	对等通信	去中心化服务发现
成熟度	相对成熟，生态较完善	逐步发展	概念阶段，尚未形成成熟生态
通俗类比	🔌 USB接口	💬 团队对话	📞 电话黄页

三、HelloAgents通信协议架构

3.1 三层架构设计

HelloAgents的通信协议架构采用三层设计，从底层到上层分别是：协议实现层、工具封装层和智能体集成层。

3.2 各层职责

层级	职责	核心组件
智能体集成层	智能体通过统一接口使用通信协议	ReActAgent、SimpleAgent
工具封装层	将协议能力封装为智能体可调用的工具，统一继承自`BaseTool`	MCPTool、A2ATool、ANPTool
协议实现层	实现具体的协议客户端，处理底层通信	MCP Client、A2A Client（基于a2a-sdk）、ANP Client（自研）

这种分层设计的优势在于：

关注点分离：每层只关注自己的职责
可替换性：协议实现可以独立升级，不影响上层
可扩展性：新增协议只需在协议层和工具层添加对应实现

3.3 基本功能体验

以下是三种协议的基本使用示例：

from hello_agents.tools import MCPTool, A2ATool, ANPTool

# 1. MCP：访问工具
mcp_tool = MCPTool()
result = mcp_tool.run({
    "action": "call_tool",
    "tool_name": "add",
    "arguments": {"a": 10, "b": 20}
})
print(f"MCP计算结果: {result}")  # 输出: 30.0

# 2. ANP：服务发现
anp_tool = ANPTool()
anp_tool.run({
    "action": "register_service",
    "service_id": "calculator",
    "service_type": "math",
    "endpoint": "http://localhost:8080"
})
services = anp_tool.run({"action": "discover_services"})
print(f"发现的服务: {services}")

# 3. A2A：智能体通信
a2a_tool = A2ATool("http://localhost:5000")
print("A2A工具创建成功")

四、综合案例：多智能体协作的智能文档助手

为了展示三种协议的协同工作，下面构建一个多Agent协作的智能文档助手：

业务目标：自动从GitHub搜索AI相关项目，并生成一份结构化文档报告。

团队分工：

角色	职责	使用的协议
Agent1：GitHub搜索专家	通过MCP访问GitHub服务，搜索AI相关仓库	MCP（智能体↔工具）
Agent2：文档生成专家	接收搜索结果，生成结构化报告	A2A（智能体↔智能体）

核心实现：

from hello_agents import SimpleAgent, HelloAgentsLLM
from hello_agents.tools import MCPTool
from dotenv import load_dotenv

load_dotenv()

print("="*70)
print("多Agent协作的智能文档助手")
print("="*70)

# Agent1: GitHub搜索专家（使用MCP访问GitHub）
github_tool = MCPTool(
    server_command=["npx", "-y", "@modelcontextprotocol/server-github"]
)
search_agent = SimpleAgent(
    name="GitHub搜索专家",
    llm=HelloAgentsLLM(),
    tools=[github_tool]
)

# Agent2: 文档生成专家（通过A2A接收数据）
doc_agent = SimpleAgent(
    name="文档生成专家",
    llm=HelloAgentsLLM()
)

# 工作流程：
# 1. Agent1搜索GitHub仓库（通过MCP）
# 2. 通过A2A的Agent Card机制发现对方能力，进行任务委托
# 3. Agent2生成最终报告

这个案例展示了三种协议的协同价值：

MCP让Agent1能够标准化地访问GitHub服务
A2A让两个智能体能够通过Agent Card机制发现对方能力，无缝传递任务和数据
ANP（如需扩展到更大网络）可让更多智能体通过服务发现机制动态加入协作

五、核心概念速查表

术语	通俗解释
通信协议（Communication Protocol）	智能体之间、智能体与工具之间通信的“通用语言”和“标准接口”
MCP（Model Context Protocol）	Anthropic提出的协议，让智能体像插USB一样访问各种工具和服务
A2A（Agent-to-Agent Protocol）	Google提出的协议，让不同智能体像人类团队一样对话协作
ANP（Agent Network Protocol）	开源社区维护的概念性协议框架，解决大规模智能体网络中的服务发现与连接问题
协议实现层	HelloAgents三层架构的底层，负责具体协议客户端实现
工具封装层	HelloAgents三层架构的中间层，将协议能力封装为工具
智能体集成层	HelloAgents三层架构的顶层，智能体通过统一接口使用通信协议
对等通信（Peer-to-Peer）	A2A的设计哲学，每个智能体既是服务提供者也是消费者
服务发现（Service Discovery）	ANP的核心功能，让智能体在网络中找到需要的服务
上下文共享（Context Sharing）	MCP的设计哲学之一，让智能体和工具共享丰富的上下文信息

六、思考题（帮助加深理解）

MCP、A2A和ANP三种协议分别解决了什么问题？ 如果一个智能体系统只需要访问外部工具，应该使用哪种协议？如果需要多个智能体协作呢？如果需要构建大规模智能体网络呢？
为什么说MCP像“USB接口”，A2A像“团队对话”，ANP像“电话黄页”？ 这些比喻分别对应了协议的什么特点？
HelloAgents的三层架构设计（协议实现层→工具封装层→智能体集成层）有什么好处？ 如果去掉中间的工具封装层，会有什么问题？
在智能文档助手案例中，MCP和A2A是如何协同工作的？ 如果还需要更多智能体加入（如审核专家、排版专家），ANP可以发挥什么作用？
三种协议中，MCP是目前相对成熟、使用较广泛的。 你认为A2A和ANP在未来会有怎样的发展？什么样的应用场景会推动它们的普及？

参考资料

Datawhale Hello-Agents 第十章《智能体通信协议》
https://datawhalechina.github.io/hello-agents/#/./chapter10/第十章智能体通信协议
hello-agents/docs/chapter10/Chapter10-Agent-Communication-Protocols.md
https://github.com/datawhalechina/hello-agents/blob/main/docs/chapter10/Chapter10-Agent-Communication-Protocols.md

结语

在这一章中，我们系统学习了智能体通信协议这一关键基础设施：

为什么需要通信协议——单体智能体面临工具集成困境、能力扩展瓶颈和协作缺失三大局限，通信协议通过标准化接口解决了这些问题
三种主流协议——MCP（智能体↔工具，Anthropic）、A2A（智能体↔智能体，Google）、ANP（大规模网络服务发现，开源社区）
HelloAgents三层架构——协议实现层→工具封装层→智能体集成层
综合案例——通过MCP+A2A协同，构建多智能体协作的智能文档助手

三种协议各有侧重，共同构成了智能体通信的完整基础设施层。MCP解决“如何访问工具”，A2A解决“如何与其他智能体对话”，ANP解决“如何在大规模网络中发现和连接智能体”。

掌握了这些协议的设计理念与实践技能，你就能够根据实际需求选择合适的协议，构建从单体智能体到多智能体协作网络的全方位解决方案。

本文参考：Datawhale《Hello-Agents》教程第十章《智能体通信协议》的内容框架与核心知识点。本文在忠实呈现该教程内容的基础上，为便于新手理解进行了通俗化改写和图表化呈现。

MCP技术社区

欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！

更多推荐

初识智能体

在过去两年中，几乎所有人都体验过大语言模型（如 ChatGPT、Claude、DeepSeek）的强大能力：写周报、润色邮件、解答编程疑难。被动响应：你问一句，它答一句。如果你的 Prompt 没有写清楚约束条件，它无法主动追问或修正目标。知行脱节：大模型能用流畅的文字告诉你“如何部署一个高可用 K8s 集群”，但它无法替你登录服务器敲下命令、查看报错日志并自动回滚。信息孤岛：大模型的知识止步于预